Lifted Message Passing for the Generalized Belief Propagation
Ben Gurion University of The Negev（本古里安大学）
我们介绍了提升广义置信传播（GBP）消息传递算法，用于概率关系模型（如马尔可夫逻辑网络）中的和积查询的计算。该算法形成了一个紧凑的区域图，并建立了一个修改版本的消息传递，它模仿了相应的地面模型中的GBP行为。紧凑的图是通过利用图形表示的集群，这减少了集群的对称性检测同构测试小的局部图。因此，该框架能够处理复杂的模型，同时保持域大小独立。
2016-10-05 cs.AI
Lifted Relational Algebra with Recursion and Connections to Modal Logic
我们提出了一种新的形式主义，用于指定和推理的问题，涉及异构的“信息块”-大型数据集，任何类型的决策程序和复杂性和它们之间的连接。我们的建议的本质是解除Codd的关系代数从关系表上的操作到结构类上的操作（递归），并添加一个方向的信息传播。我们观察到存在的信息传播在几个形式主义有效的推理，并用它来表达一元否定和操作中使用的图形数据库。我们仔细分析了几个推理任务，并建立了一个精确的广义查询评估和时态逻辑模型检验之间的联系。我们的发展使我们能够揭示经典和模态逻辑之间的一般对应关系，并可能揭示一个新的光模态逻辑和相关形式的良好的计算性能。
2016-12-29 cs.AI cs.DB cs.LO
Skolemization for Weighted First-Order Model Counting
University of California, Los Angeles（加州大学洛杉矶分校）；KU Leuven（鲁汶大学）
一阶模型计数是最近出现的一种新的推理任务，是概率逻辑有效算法的核心。我们提出了一个Skolemization算法模型计数问题，消除存在量词的一阶逻辑理论，而不改变其加权模型计数。对于一阶逻辑的某些子集，提升模型计数器被证明在话语域中的对象数量上以时间多项式运行，其中命题模型计数器需要指数时间。然而，这些保证仅适用于Skolem范式理论（即，无存在量词），因为存在量词的存在将提升的模型计数器减少为命题计数器。由于教科书中的Skolemization对于模型计数来说并不合理，这些限制排除了有向模型的有效模型计数，例如依赖于存在量化的概率逻辑程序。我们的Skolemization程序扩展了一阶模型计数器的适用性，这些表示。此外，它简化了提升模型计数算法的设计。
2014-03-05 cs.AI
First-Order Decomposition Trees
KU Leuven（鲁汶大学）
提升试图通过利用模型中的对称性来加速概率推理。精确提升的推理方法，就像它们的命题对应物一样，通过递归地分解模型和问题来工作。在命题的情况下，存在形式结构，如分解树（dtree），表示这样的分解，并允许我们确定推理的复杂性先验。然而，目前没有等效的结构，也没有类似的复杂性结果提升推理。在本文中，我们引入了FO-dtree，它将命题dtree提升到一阶水平。我们展示了这些树可以描述一个概率逻辑模型的提升推理解决方案（在提升操作序列方面），并对提升推理的复杂性进行了理论分析，提出了树的提升宽度的新概念。
2013-06-04 cs.AI
Lifted Probabilistic Inference for Asymmetric Graphical Models
KU Leuven（鲁汶大学）；University of Washington, Seattle（西雅图华盛顿大学）
提升概率推理算法已经成功地应用于大量的对称图模型。不幸的是，大多数真实世界的图形模型是不对称的。当给出证据时，关系表示也是如此。因此，社区中最近的工作转向使模型对称，然后应用现有的提升推理算法。然而，这种方法有两个缺点。首先，所有现有的过对称近似都需要一个关系表示，如马尔可夫逻辑网络。其次，诱导的对称性通常会显著改变分布，使计算的概率高度偏差。我们提出了一个框架，概率抽样为基础的推理，只使用诱导的近似对称性，提出步骤的大都会黑斯廷斯风格的马尔可夫链。因此，该框架导致改进的概率估计，同时保持无偏。实验表明，该方法优于现有的MCMC算法。
2014-12-01 cs.AI
Lutz's Spoiler Technique Revisited: A Unified Approach to Worst-Case Optimal Entailment of Unions of Conjunctive Queries in Locally-Forward Description Logics
Technische Universität Dresden（德累斯顿工业大学）；University of Wrocław（弗罗茨瓦夫大学）
我们提出了一个统一的方法（有限和无限制）最坏情况下的最优蕴涵（工会）的合取查询（U）CQ在广泛的类“本地向前”的描述逻辑。我们采用的主要技术是卢茨的扰流板技术，最初开发的CQ蕴涵在ALCHQ的概括。我们的研究结果填补了文献中存在的许多空白，最明显的是暗示了ALCHbregQ中包含的ALC的任何超逻辑的（U）CQ查询的ExpTime完整性，并且正如我们所相信的那样，它足够抽象，可以在许多新的场景中作为黑盒使用。
2021-08-12 cs.AI cs.LO
First-Order Conditional Logic Revisited
条件逻辑在最近的缺省推理理论中扮演着重要的角色。本文研究一阶条件逻辑。我们表明，作为一阶概率逻辑，重要的是不要混淆统计条件域（如“大多数鸟飞”），和主观条件可能的世界（如“我相信Tweety是不可能飞”）。然后，我们解决的问题，归因于语义的一阶条件逻辑。在命题的情况下，有许多可能的语义。为了以一种连贯的方式研究这个问题，我们使用了可扩展性结构。这些为我们提供了一个通用框架，其中可以嵌入许多标准方法。我们表明，虽然这些标准的方法都是相同的命题水平，它们是显着不同的一阶语言的上下文中。此外，我们表明，KLM提供了条件逻辑的最自然的扩展到一阶的情况下：我们提供了一个声音和完整的公理化，只包含KLM属性和标准公理的一阶模态逻辑。我们发现，大多数其他方法有额外的属性，这导致在一个不适当的治疗无穷大版本的彩票悖论。
1998-08-28 cs.AI cs.LO
Positive Dependency Graphs Revisited
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
稳定模型理论是求解集规划的数学基础。该理论中的几个结果涉及逻辑程序的正依赖图的概念。我们描述了一个修改的概念，并表明，新的理解，积极的依赖关系，使之有可能加强这些结果。逻辑程序设计理论与实践（TPLP）
2022-07-18 cs.AI cs.LO
Reasoning About Knowledge of Unawareness Revisited
Cornell University（康奈尔大学）；Federal University of Pernambuco（伯南布哥联邦大学）
在早期的工作中，我们提出了一种逻辑，它通过允许对原始命题进行量化来扩展Fagin和Halpern [1988]的一般意识逻辑。这使得有可能表达这样一个事实，即一个代理人知道有一些他不知道的事实。在这种逻辑中，不可能对一个不确定自己是否知道所有公式的智能体进行建模。为了克服这个问题，我们保留了早期论文的语法，但允许模型与每个世界相关联，可能是不同的语言。我们为这个逻辑提供了一个健全而完整的公理化，并表明，在自然假设下，这个逻辑的无量词片段的特征在于与Heifetz，Meier和Schipper [2008]的逻辑完全相同的公理。
2009-06-23 cs.AI cs.GT cs.LO
Lifted Inference beyond First-Order Logic
University of Padova（帕多瓦大学）
本研究扩展了C^2逻辑片段的域可提升性，使其能处理有向无环图、连通图、树和森林等现实数据属性，并提出“通过分裂计数”的新方法论，为概率推理和组合结构计数提供通用框架。
2025-02-25 cs.AI cs.LO math.CO
Interactive Unawareness Revisited
我们分析了海菲兹，迈耶和席佩尔（HMS）介绍的互动无意识模型。我们考虑两个公理化的模型，捕捉不同的概念的有效性。这些公理化使我们能够比较HMS方法的标准（S5）认知逻辑和其他两种方法的无意识：费金和Halpern和莫迪卡和Rustichini。我们发现，HMS方法和其他之间的差异主要是由于使用的有效性的概念和事实，即HMS是基于一个3值命题逻辑。
2005-09-19 cs.AI cs.LO
GinSign: Grounding Natural Language Into System Signatures for Temporal Logic Translation
University of Florida（佛罗里达大学）
GinSign通过将自然语言接地到系统签名，提升时序逻辑翻译的准确性和下游模型检查能力，实现95.5%的逻辑等价分数。
2025-12-18 cs.AI cs.CL
Computing Circumscriptive Databases by Integer Programming: Revisited (Extended Abstract)
在本文中，我们考虑了一种方法，使用整数规划在命题逻辑和一阶逻辑的领域封闭公理和唯一名称公理计算最小模型的限制。这种处理是非常重要的，因为这使得应用各种技术在非单调推理的运筹学发展。Nerode等人（1995）是第一个提出使用整数规划计算限制的方法。他们声称他们的方法是正确的限定与固定谓词，但我们表明，他们的方法并不正确地反映他们的要求。我们展示了一个正确的方法来计算所有的最小模型，不仅与固定的谓词，但也与不同的谓词，我们扩展我们的方法来计算优先的界限，以及。
2000-03-05 cs.AI cs.LO
Probabilistic Inference Modulo Theories
SRI International（SRI国际研究所）；U. of Texas at Dallas（德克萨斯大学达拉斯分校）；U. of California, Irvine（加州大学欧文分校）
我们提出了SGDPLL（T），一个算法，解决了（在许多其他问题中）概率推理模理论，即通过提供作为参数的逻辑理论定义的概率模型上的推理问题（目前，命题，离散排序上的等式，以及不等式，更具体地说，有界整数上的差分运算）。虽然已经提出了对逻辑表示的概率推理的许多解决方案，但SGDPLL（T）同时（1）提升，（2）精确和（3）模理论，即，由背景逻辑理论参数化。这为将其扩展到丰富的逻辑语言（如数据结构和关系数据）提供了基础。所谓提升，我们指的是在域大小（变量可以取值的数量）上具有恒定复杂度的算法。我们还详细介绍了一个求解器的求和差分算法，并显示实验结果的情况下，SGDPLL（T）是比一个国家的最先进的概率求解器快得多。
2016-05-27 cs.AI cs.LO
Lifted Relational Neural Networks
Czech Technical University in Prague（布拉格捷克理工大学）；Charles University（查理大学）；Cardiff University（卡迪夫大学）
我们提出了一种结合关系逻辑表示和神经网络学习的方法。一个一般的提升架构，可能反映了一些背景领域的知识，描述通过关系规则，可以手工制作或学习。关系规则集充当用于展开可能的深度神经网络的模板，深度神经网络的结构也反映给定训练或测试关系示例的结构。不同的网络对应于不同的例子共享其权重，在训练过程中通过随机梯度下降算法共同进化。该框架允许层次关系建模结构和学习潜在的关系概念，通过共享的隐藏层权重对应的规则。显着的关系概念的发现和实验上的78个关系学习基准证明了良好的性能的方法。
2015-10-13 cs.AI cs.LG cs.NE
Lifted Model Construction without Normalisation: A Vectorised Approach to Exploit Symmetries in Factor Graphs
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Institute for Humanities-Centered Artificial Intelligence, University of Hamburg（汉堡大学人文中心人工智能研究所）
本文提出一种对高级颜色传递算法的推广，通过允许因子势函数任意缩放来检测更多对称性，从而构建更紧凑的参数化因子图并显著降低概率推断的在线查询时间。
2024-11-20 cs.AI cs.LG
Understanding the Complexity of Lifted Inference and Asymmetric Weighted Model Counting
University of Washington（华盛顿大学）；KU Leuven（鲁汶大学）；UCLA（加州大学洛杉矶分校）
在本文中，我们研究了提升推理的加权一阶模型计数问题（WFOMC），它计数的分配，满足一阶逻辑（FOL）中给定的句子，它在统计关系学习（SRL）和概率数据库（PDB）的应用。我们提出了几个结果。首先，我们描述了一个提升的推理算法，概括了以前的方法在SRL和PDB。其次，我们提供了一个新的二分法的结果为非平凡片段的FO CNF句子，表明对于每个句子的WFOMC问题是在PTIME或#P-硬的输入域的大小，我们证明，在第一种情况下，我们的算法解决了WFOMC问题的PTIME，在第二种情况下，它失败了。第三，我们提出了几个性质的算法。最后，我们讨论了对称概率数据库的提升推理的局限性（其中地面文字的权重仅取决于关系名称，而不是域的常数），并证明了整个语言FOL的概率推理的复杂性的二分法结果的不可能性。
2014-07-29 cs.AI cs.DB cs.LO
On Projectivity in Markov Logic Networks
Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）；University of Trento（特伦托大学）
马尔可夫逻辑网络（MLN）定义了不同域大小上关系结构的概率分布。许多工作已经注意到，MLN，像许多其他关系模型，不承认一致的边际推理在不同的域大小。此外，MLN学习的某个域不推广到新的域的大小不同。在最近的工作中，域大小依赖，提升推理和从子采样域学习之间出现了联系。这些作品的中心思想是投射性的概念。投影模型的概率分布使子结构的边缘概率独立于域基数。因此，投影模型允许有效的边际推理，消除了对域大小的任何依赖。此外，投影模型可能允许从子采样域进行有效且一致的参数学习。在本文中，我们刻画了二元MLN是投射的充要条件。然后，我们隔离在这类MLN的一个特殊的模型，即关系块模型（RBM）。我们表明，在数据似然最大化方面，RBM是最好的可能的投影MLN在两个变量的片段。最后，我们表明，RBM也承认一致的参数学习子采样域。
2022-05-05 cs.AI
Beyond Graph Neural Networks with Lifted Relational Neural Networks
Czech Technical University in Prague（布拉格捷克理工大学）
我们展示了一个声明式可微编程框架的语言的提升关系神经网络，其中小的参数化逻辑程序被用来编码关系学习的情况下。当呈现诸如各种形式的图形的关系数据时，程序解释器动态地展开可微计算图形以通过标准手段用于程序参数优化。从使用的声明式数据库抽象，这导致到紧凑和优雅的学习程序，与现有的程序方法直接操作的计算图的水平。我们说明了这个想法如何用于现有各种先进神经架构的有效编码，特别关注图神经网络（GNN）。此外，我们还展示了当代GNN模型如何轻松扩展到更高的关系表达能力。在实验中，我们通过与专门的GNN深度学习框架进行比较来证明正确性和计算效率，同时对现有GNN模型的学习性能进行了一些说明。
2020-07-13 cs.AI cs.LG cs.LO
Weighted Model Counting in the two variable fragment with Cardinality Constraints: A Closed Form Formula
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）
加权一阶模型计数（WFOMC）计算给定有限域上一阶理论模型的加权和。WFOMC已经成为概率推理的基本工具。WFOMC算法在多项式时间内运行。域大小被称为提升推理算法。这样的算法已经开发了多个扩展的FO2（片段的一阶逻辑与两个变量）的特殊情况下的对称权函数。我们引入的概念，解除解释作为制定多项式WFOMC的工具。使用解除的解释，我们重建多项式时间FOMC在FO2的通用片段，早期提出的Beame等人的封闭形式的公式。然后，我们扩展这个封闭形式，将存在量词和基数约束，而不失去域的可提升性。最后，我们表明，所获得的封闭形式激发了一个自然的定义，一个家庭的权重函数严格大于对称的权重函数。
2021-05-28 cs.AI cs.LO
Lifted Algorithms for Symmetric Weighted First-Order Model Sampling
Beihang University（北京航空航天大学）；Zhongfa Aviation Institute of Beihang University（北京航空航天大学中法航空学院）；ETH Zurich（苏黎世联邦理工学院）；Czech Technical University in Prague（捷克技术大学布拉格分校）
本文针对带计数量词的一阶逻辑二元变量片段，提出了域规模多项式时间的加权模型采样算法，证明了其在采样下的域可提升性，并扩展到基数约束情形，实验表明算法显著优于现有最先进采样器。
2024-06-14 cs.AI cs.LO
Probabilities of the Third Type: Statistical Relational Learning and Reasoning with Relative Frequencies
Ludwig-Maximilians-Universität München（慕尼黑大学）
本文提出函数式提升贝叶斯网络，将相对频率的连续依赖纳入统计关系AI，并给出渐近概率分布表示，支持跨规模参数估计，且收敛在参数上一致。
2024-08-20 cs.AI cs.LG cs.LO
Domain size asymptotics for Markov logic networks
Department of Mathematics, Uppsala University, Sweden（瑞典乌普萨拉大学数学系）
研究马尔可夫逻辑网络在域大小趋于无穷时概率分布的性质，通过一元关系语言的几乎完全刻画，展示了其与均匀分布及提升贝叶斯网络的本质差异。
2026-11-03 cs.AI cs.LO math.LO
