Lowering the learning curve for declarative programming: a Python API for the IDP system
KU Leuven（鲁汶大学）
由于相关的学习曲线，程序员可能会犹豫是否使用声明性系统。在本文中，我们提出了一个API，集成的IDP知识库系统到Python程序设计语言。IDP是一个最先进的逻辑系统，它使用SAT，SMT，逻辑编程和答案集编程技术。Python是目前使用最广泛的编程语言之一。我们的API的第一个目标是允许Python程序员使用IDP的声明能力，而不需要学习任何新的语法或语义。第二个目标是允许IDP以最小的更改添加到现有代码库/从现有代码库中删除。
2015-11-03 cs.AI cs.PL
Declarative Synthesis and Multi-Objective Optimization of Stripboard Circuit Layouts Using Answer Set Programming
Computer Science Department（计算机科学系）；Oklahoma Christian University（俄克拉荷马基督教大学）
本文利用答案集编程实现印制板电路布局的声明性合成与多目标优化，生成紧凑可制造的布局，推动电子原型制作与教育。
2025-12-04 cs.AI cs.AR
Using Methods of Declarative Logic Programming for Intelligent Information Agents
在网络上搜索信息面临着几个问题，这些问题一方面来自于大量的可用资源，另一方面来自于它们的异质性。一个有前途的方法是使用多代理系统的信息代理，合作解决先进的信息检索问题。这就需要具备处理复杂任务的能力，例如搜索和评估源、查询规划、信息合并和融合、处理不完整信息以及处理不一致性。在本文中，我们感兴趣的是在声明性逻辑编程领域的一些方法可以发挥的作用，在实现推理能力的信息代理。特别是，我们感兴趣的是如何使用它们，并进一步开发，以满足该应用领域的特定需求。我们回顾了一些现有的系统和当前的项目，解决信息集成的问题。然后，我们专注于声明性的知识表示方法，并审查和评估方法从逻辑编程和非单调推理的信息代理。我们讨论的优点和缺点，并指出可能的扩展和开放的问题。
2001-08-14 cs.AI cs.MA
D-FLAT: Declarative Problem Solving Using Tree Decompositions and Answer-Set Programming
Institute of Information Systems（信息系统研究所）；Vienna University of Technology（维也纳工业大学）
在这项工作中，我们提出了一个工具，快速原型的动态规划算法的基础上树分解的集合编程（ASP）。事实上，已经设计了许多这样的算法，但只有少数几个找到了实现的方法。主要的障碍是缺乏易于使用的系统，（i）照顾建立一个树分解和（ii）提供一个接口的声明规范的动态规划算法。在本文中，我们提出了D-FLAT，一种新的工具，减轻了用户必须处理所有的技术细节与解析，树分解，处理的数据结构等，而不是，它只是动态规划算法本身必须指定在ASP语言。D-FLAT采用ASP求解器来计算动态规划算法中的局部解。文中列举了几个实例说明D-FLAT的使用，并介绍了该系统的主要特点。此外，我们报告的实验表明，基于ASP的D-FLAT编码的一些问题优于单片ASP编码的实例上的小树宽。
2012-10-06 cs.AI cs.LO
Inductive Learning of Declarative Domain-Specific Heuristics for ASP
Siemens AG Österreich（西门子奥地利公司）
本文提出利用归纳逻辑编程从最优答案集示例中自动学习ASP领域特定声明式启发式，实验证明该方法能提升大规模难题的求解性能与解质量。
2023-08-30 cs.AI
DLV - A System for Declarative Problem Solving
DLV是一个高效的逻辑编程和非单调推理（LPNMR）系统，具有先进的知识表示机制和经典关系数据库系统的接口。它的核心语言是具有完整性约束的答案集语义（Answer Set Semantics）下的析取数据库（无函数析取逻辑编程），包括默认和强（或显式）否定以及查询。还支持算术运算和各种内置谓词。此外，DLV有几个前端，即勇敢和谨慎的推理，溯因诊断，基于一致性的诊断，SQL 3的一个子集，使用动作语言进行规划，以及使用继承进行逻辑编程。
2000-03-08 cs.AI cs.LO
General-purpose Declarative Inductive Programming with Domain-Specific Background Knowledge for Data Wrangling Automation
Universitat Politècnica de València（瓦伦西亚理工大学）；University of Miyazaki（宫崎大学）
只要给出一两个例子，人类就能很好地理解如何独立于问题的领域来解决问题，因为他们能够发现问题是什么，并根据上下文选择合适的背景知识。例如，当字符串“8/17/2017”被转换为“17 th of August of 2017”时，人类将分两步处理：（1）他们识别出这是一个日期，（2）他们将日期映射到2017年8月17日。归纳编程（IP）旨在从示例中学习声明性（函数或逻辑）程序。IP的两个关键优势是背景知识的使用和从几个输入/输出示例中综合程序的能力（就像人类一样）。在本文中，我们建议使用IP作为自动化重复的数据操作任务的一种手段，经常出现在许多数据操作问题的{ \em数据争吵}的过程中。在这里，我们表明，使用通用的声明性（编程）语言与通用的IP系统和特定领域的知识的定义，从不同的应用领域的许多特定的数据争吵的问题，可以自动解决从很少的例子。我们还提出了一个数据争论的综合基准，我们向社区公开分享。
2018-09-26 cs.AI cs.DB
Answer Set Programming Modulo `Space-Time'
Aarhus University（奥胡斯大学）；Örebro University（厄勒布鲁大学）；University of Bremen（不来梅大学）；University of Warsaw（华沙大学）
我们提出ASP模块“空间-时间”，一个声明性的表示和计算框架，执行常识推理的空间和时间组件的区域。支持混合定性定量推理，一致性检查和推断时空关系组成的功能;这些功能结合并协同应用于一系列人工智能应用领域，其中时空数据的处理和解释至关重要。该框架和由此产生的系统是唯一的一般KR为基础的方法，用于声明性地推理的动态的“时空”区域作为第一类对象。我们提出了一个实证评估（可扩展性和鲁棒性的结果），并包括不同的应用程序的例子，涉及解释和控制任务。
2018-05-17 cs.AI
The third open Answer Set Programming competition
Università della Calabria（卡拉布里亚大学）
回答集编程（ASP）是声明性编程的一个良好建立的范例，与其他声明性形式主义（诸如SAT模理论、约束处理规则、FO（.）PDDL和许多其他人。自从第一个非正式版本以来，ASP系统已经在现在已经建立的ASP竞赛中进行了比较。第三届（公开）ASP竞赛，作为在德国波茨坦大学（2006-2007年）和比利时鲁汶大学（2009年）举行的ASP竞赛系列的续集，于2011年上半年在卡拉布里亚大学（意大利）举行。参与者在预先选择的基准问题集合上进行竞争，这些问题来自各个领域以及现实世界的应用。竞赛分为两个部分：模型和求解（M&S）部分，基于开放的问题编码和开放的语言，对任何基于声明式规范范式的系统开放;系统部分，基于固定的公共问题编码，用标准ASP语言编写。本文讨论了比赛的形式和背后的理由，然后报告了两个轨道的结果。与第二次ASP竞争和国家的最先进的解决方案的一些基准域的比较，最终进行了讨论。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2012-06-14 cs.AI
Declarative Reasoning on Explanations Using Constraint Logic Programming
University of Pisa（比萨大学）；Scuola Normale Superiore（比萨高等师范学院）
针对现有XAI方法背景知识融入不足和缺乏交互性的问题，提出基于约束逻辑编程的REASONX方法，为决策树提供声明式交互解释，支持用户通过线性约束和MILP优化表达知识，并利用Prolog元程序实现核心执行。
2023-09-01 cs.AI cs.CY cs.LG
ASP-Based Declarative Process Mining (Extended Abstract)
Sapienza University of Rome（罗马第一大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
我们提出了答案集编程（ASP）作为一种方法来建模和解决问题，从该地区的声明性过程挖掘（PROD）。我们认为在这里三个经典的问题，即，日志生成，一致性检查，查询检查。这些问题是从控制流和数据感知的角度来解决的。该方法是基于（有限状态）自动机的过程规范的表示。由于这些严格来说比事实上的UML标准规约语言DEGEE更有表现力，因此可以处理比UML典型的那些更一般的规约，例如有限迹上的线性时间时态逻辑中的公式。(Full第36届AAAI人工智能会议论文集中提供的版本）。
2022-09-26 cs.AI
Declarative Sequential Pattern Mining of Care Pathways
AGROCAMPUS-OUEST/IRISA-UMR6074（西部农业学院/IRISA-UMR6074）；CHRU Brest/EA-7449 REPERES（布雷斯特大学医院/EA-7449 REPERES）；Rennes University 1/IRISA-UMR6074（雷恩第一大学/IRISA-UMR6074）
序列模式挖掘算法被广泛应用于护理路径数据库的挖掘，但它们产生了大量的模式，大多是冗余或无用的。临床医生需要工具来表达复杂的挖掘查询，以生成更少但更重要的模式。这些算法的通用性不足以回答复杂的临床医生查询。本文提出了一种基于答案集编程范式的声明式模式挖掘方法。这是一个药物流行病学研究的例证，该研究调查了来自法国医学管理数据库的癫痫发作住院与抗癫痫药物转换之间的可能联系。
2017-07-26 cs.AI
Propositional satisfiability in declarative programming
ASP范式是一种使用逻辑来解决搜索问题的方法。给定一个搜索问题，为了解决它，人们在逻辑中设计了一个理论，以便这个理论的模型代表问题的解决方案。要计算一个问题的解，需要计算相应理论的模型。在逻辑程序设计的基础上，利用稳定模型的语义，发展了几种答案集程序设计形式。在本文中，我们表明，谓词演算的逻辑也产生了有效的实现的ASP范式，类似的精神，逻辑编程与稳定的模型语义和类似的适用范围。具体来说，我们提出了两个逻辑的基础上谓词演算编码搜索问题的形式主义。我们表明，这些逻辑的表达能力是由类NP-搜索。我们演示了如何使用它们在编程和开发计算工具的模型发现。在逻辑的情况下，我们的技术减少问题的命题可满足性，并允许使用现成的可满足性求解器。另一种逻辑的语言具有更复杂的语法，并提供了明确的方法来建模一些高级约束。对于这种逻辑中的理论，我们设计了自己的求解器，它利用了扩展的语法。我们目前的实验结果表明计算的整体方法的有效性。
2002-11-25 cs.AI cs.LO
Planning with Preferences using Logic Programming
我们提出了一个声明性的语言，PP，规划问题的可能的解决方案（或轨迹）之间的偏好的高层次规范。这种新颖的语言允许用户优雅地表达非平凡的、多维的偏好和优先于这些偏好的优先级。PP的语义允许识别给定目标的最优选轨迹。我们还提供了一个答案集编程实现规划问题与PP的喜好。
2005-08-31 cs.AI
Logic Programming for Describing and Solving Planning Problems
一个逻辑编程范式，表示解决问题的稳定模型，最近已被提升为一个声明性的方法来解决各种组合和搜索问题，包括规划问题。在这种范式中，所有的程序规则被认为是约束和解决方案是稳定的模型的规则集。这与逻辑编程的标准范式有着相当大的不同。在本文中，我们重新溯因逻辑编程，并认为它允许一种编程风格，这是声明性的编程基于稳定的模型。然而，在溯因逻辑编程中，有两种规则。一方面是谓词定义（可能依赖于可溯物），它只不过是标准的逻辑程序（当包含否定时，具有非单调语义）;另一方面是约束可溯物模型的规则。在这个意义上，溯因逻辑编程是逻辑编程标准范式的平滑扩展，而不是彻底的背离。
2000-03-08 cs.AI cs.LO
Answer Set Planning Under Action Costs
TU Wien（维也纳工业大学）；University of Calabria（卡拉布里亚大学）
最近，规划的基础上回答集编程已被提出作为一种实现声明式规划系统的方法。在本文中，我们提出了语言Kc，它扩展了声明式规划语言K的行动成本。Kc提供了容许和最优计划的概念，这些计划的总行动成本在给定的限制内。所有计划中的最小值（即，最便宜的计划）。正如我们所展示的，这种新颖的语言允许以声明的方式表达一些重要的规划任务。此外，它可以用于表示规划问题下的其他最优性标准，如计算“最短”的计划（步骤数最少），和细化组合的最便宜和最快的计划。我们研究的语言KC的复杂性方面，并提供了一个转换到逻辑程序，这样的规划问题，通过答案集编程解决。此外，我们报告选定的问题的实验结果。我们的经验是令人鼓舞的，答案集规划可能是一个有价值的方法，表达规划系统中，复杂的规划问题可以自然地指定和解决。
2011-06-26 cs.AI
Towards Generating Explanations for ASP-Based Link Analysis using Declarative Program Transformations
Tilburg University（蒂尔堡大学）；University of Würzburg（维尔茨堡大学）
解释和解释的生成是人工智能和数据科学中的重要主题，目的是使方法和系统对人类更加透明和易于理解。本文研究了链接分析问题，特别是链接预测和异常链接发现社交网络使用回答集编程（ASP）的声明性方法。将ASP应用于链接预测提供了强大的声明性方法，例如，用于结合领域知识以进行解释性预测。在这种情况下，我们提出了一种新的方法来生成解释-离线理由-使用声明式程序转换。该方法本身纯粹基于声明性程序的语法转换，例如，在ASP形式化中，使用规则插装。我们证明了所提出的方法的有效性，举例说明它在社交网络，也包括领域知识的链接分析的应用程序。
2019-09-08 cs.AI cs.SI
Spatial Symmetry Driven Pruning Strategies for Efficient Declarative Spatial Reasoning
University of Münster（明斯特大学）；The DesignSpace Group（DesignSpace集团）；University of Bremen（不来梅大学）
声明性空间推理表示能够（声明性地）指定和解决与标准知识表示和基于推理（KR）的方法（例如，逻辑编程和衍生物）。在声明式编程框架内编码空间关系语义的一种方法是多项式约束系统。然而，求解这样的约束在一般情况下是计算上难以处理的（即实闭域理论）。我们提出了一种新的算法，实现声明式空间推理系统CLP（QS），大大提高了性能，决定传统的多项式编码的空间约束图的一致性。我们开发修剪策略建立在空间对称性，形成等价类（基于仿射变换）在定性空间水平。此外，修剪策略本身被形式化为关于空间和空间对称性的知识。我们评估我们的算法使用一系列的基准类的接触问题，并证明在部分学和几何。实证结果表明，CLP（QS）与知识为基础的空间修剪优于传统的多项式编码的数量级，因此可以应用于在实践中，否则无法解决的问题。
2015-06-16 cs.AI cs.LO cs.PL
A formalism for causal explanations with an Answer Set Programming translation
INRIA Bretagne Atlantique（法国国家信息与自动化研究所布列塔尼大西洋分所）；IRISA（法国布列塔尼大西洋计算机科学与随机系统研究所）
我们研究的实用性为用户使用回答集编程（ASP）表示逻辑形式主义。我们的例子是一种形式主义，旨在从因果信息中捕获因果解释。我们展示了这种翻译工作的自然性和相对效率。我们感兴趣的是编写ASP程序的容易程度。早期制度的局限性使得在实践中，"声明性方面“更多地是理论性的，而不是实际的。我们将展示如何在最近的工作ASP系统的改进，促进翻译。
2010-08-23 cs.AI
Problem solving in ID-logic with aggregates: some experiments
在K.U.Leuven的LP+项目的目标是设计一个表达逻辑，适合于声明性知识表示，并开发基于逻辑编程技术的智能系统，用于使用声明性规范解决计算问题。ID逻辑是类型化经典逻辑和定义逻辑的结合。不同的溯因解算器正在开发这种语言。本文是一份报告的集成高阶聚合到ID逻辑和后果的求解器SLDNFA。
2000-03-08 cs.AI
Declarative Problem Solving in UAM Strategic Deconfliction
Polytechnic University of Bari（巴里理工大学）；University of Bari Aldo Moro（巴里阿尔多·莫罗大学）
针对城市空中交通战略冲突解决难题，提出基于回答集编程的方法，聚焦时间同步与路线优化，通过与约束编程对比测试，发现ASP在中小规模案例中执行快、扩展性好，CP内存稳定但随复杂度降低。
2026-07-24 cs.AI cs.LO
On the incorporation of interval-valued fuzzy sets into the Bousi-Prolog system: declarative semantics, implementation and applications
University of the Bío-Bío（比奥比奥大学）；University of Dundee（邓迪大学）；Universidade de Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
在本文中，我们分析的好处，将区间值模糊集的Bousi-Prolog系统。语法，声明性语义和实现此扩展，并提出和形式化。我们表明，通过使用潜在的应用程序，模糊逻辑编程框架与他们增强，可以正确地与词汇资源和本体一起工作，以提高他们的知识表示和推理的能力。
2017-11-08 cs.AI cs.CL cs.PL
Parametric Modular Answer Set Programs Made Declarative
University of Nebraska Omaha, USA（内布拉斯加大学奥马哈分校）；University of Potsdam, Germany（波茨坦大学）
本文探讨了在一阶答案集编程中模ularity的概念，引入了参数化模态逻辑程序这一新形式，允许定义带有参数和intensionality语句的子程序，并展示了如何捕捉clingo程序的集体控制语义，连接传统非模态答案集编程。
2026-05-21 cs.AI cs.LO
Proceedings 35th International Conference on Logic Programming (Technical Communications)
自1982年在马赛举行第一次会议以来，ICLP一直是展示逻辑编程研究的首要国际活动。在逻辑编程的所有领域寻求贡献，包括但不限于：基础：语义学，形式主义，非单调推理，知识表示。语言：并发，对象，协调，移动性，高阶，类型，模式，断言，模块，元编程，基于逻辑的领域特定语言，编程技术。声明式编程：声明式程序开发，分析，类型和模式推理，部分求值，抽象解释，转换，验证，验证，编译，分析，测试，执行可视化实现：虚拟机，编译，存储管理，并行/分布式执行，约束处理规则，制表，外部接口，用户界面。相关范例和协同作用：归纳和协同归纳逻辑程序设计、约束逻辑程序设计、答案集程序设计、与SAT、SMT和CSP求解器的交互、类型推断和定理证明的逻辑程序设计技术、论证、概率逻辑程序设计、与面向对象和函数式程序设计的关系。应用领域：数据库、大数据、数据集成和联合、软件工程、自然语言处理、Web和语义网、代理、人工智能、计算生命科学、教育、网络安全和机器人技术。
2019-09-17 cs.AI cs.LO cs.PL
Combining Answer Set Programming and POMDPs for Knowledge Representation and Reasoning on Mobile Robots
Texas Tech University（得克萨斯理工大学）
为了在具有部分可观察性、不确定性行为和不可预见变化的领域中广泛部署，机器人需要使传感、处理和与人类的交互适应手头的任务。虽然机器人通常无法处理所有传感器输入或在没有大量领域知识的情况下操作，但提供准确的领域知识是一个挑战，而人类可能没有时间和专业知识来提供详细和准确的反馈。本文描述的架构结合了声明式编程和概率推理来解决这些挑战，使机器人能够：（a）表示和推理不完整的领域知识，解决模糊性和修改现有的知识，使用传感器输入和最小的人类反馈;（b）概率模型的不确定性传感器输入处理和导航。具体来说，回答集编程（ASP），声明式编程范式，结合分层部分可观察马尔可夫决策过程（POMDPs），使用域知识来修改概率信念，并使用积极和消极的意见，可以不再追求的任务提前终止。所有的算法进行评估，在模拟和移动机器人定位目标对象在室内域。
2013-07-29 cs.AI cs.RO
Logic Programming Approaches for Representing and Solving Constraint Satisfaction Problems: A Comparison
许多基于逻辑编程的方法可以用来描述和解决组合搜索问题。一方面，存在约束逻辑编程，其计算解作为对包含约束满足问题的变量的查询的答案替换。另一方面，也有基于稳定模型语义的系统，溯因系统和一阶逻辑模型生成器，它们将解计算为某些理论的模型。本文从知识表示（程序的声明性如何）和性能（它们在解决典型问题时的表现如何）的角度比较了这些不同的方法。
2000-11-21 cs.AI
Soft Constraint Logic Programming for Electric Vehicle Travel Optimization
Università di Pisa（比萨大学）；Volkswagen AG（大众汽车集团）
软约束逻辑编程是一种自然而灵活的声明式编程形式主义，它允许建模和解决涉及不同类型约束的实际问题。在本文中，在提供了一个稍微更一般和优雅的框架介绍后，我们展示了如何将其应用于协调电动汽车的电动交通问题，以克服能量和时间的限制，从而降低其运行成本。特别是，我们专注于行程优化子问题，考虑从用户的预约到另一个的行程序列。解决方案在时间和能耗方面提供最佳替代方案，包括路线顺序和可能的充电事件。
2012-12-10 cs.AI
Exploiting Partial Knowledge in Declarative Domain-Specific Heuristics for ASP
Siemens AG Österreich（西门子奥地利股份公司）；Alpen-Adria-Universität（阿尔卑斯-亚德里亚大学）；Technische Universität Wien（维也纳工业大学）；Aalto University（阿尔托大学）
特定领域算法是有效解决组合问题的一种重要技术。我们提出了一种新的语义声明规范的领域特定的问答集编程（ASP）。基于部分解决方案的决策过程是现有领域特定算法的常见成分，例如，用于将尚未放置的物品放置在装箱中。因此，在我们的新语义否定失败和聚集在启发式条件下进行评估的部分求解器状态。最先进的求解器不允许这样的声明性规范。我们的实现在懒惰接地ASP系统Alpha支持启发式指令下的语义。通过这种方式，我们还提供了第一个实现，用于将声明式指定的特定于域的语法整合到延迟接地设置中。实验证实，ASP解决与懒惰接地和我们的新的算法相结合，可以解决工业规模的问题的重要组成部分。
2019-09-18 cs.AI cs.LO
A Constraint Logic Programming Approach for Computing Ordinal Conditional Functions
FernUniversität in Hagen（哈根远程大学）；TU Dortmund（多特蒙德工业大学）
为了给“如果A则通常为B”形式的定性条件赋予适当的语义，可以使用根据可能世界的似然程度对可能世界进行排名的有序条件函数（OCF）。接受知识库R的所有条件的OCF可以表征为约束满足问题的解。我们提出了一个高层次的，声明性的方法，使用约束逻辑编程技术来解决这个约束满足问题。特别是，这里开发的方法支持所有最小解的生成;这些最小解是特别感兴趣的，因为它们为基于模型的推理提供了基础。
2011-08-30 cs.AI
Technical Report: Giving Hints for Logic Programming Examples without Revealing Solutions
Marmara University（马尔马拉大学）
我们介绍了一个框架，支持学习程序的范式回答集编程（ASP），这是一个声明式逻辑编程形式主义。基于让学生完成小实例ASP程序的教学思想，介绍了一种在不透露实例正确解的情况下，对学生进行提示的三阶段教学法。我们将错误分类为（i）语法错误，（ii）意外但语法正确的输入，（iii）语义错误，描述这些错误的数学定义，并展示如何从这些定义计算提示。
2016-07-26 cs.AI
Parsing Combinatory Categorial Grammar with Answer Set Programming: Preliminary Report
University of Kentucky（肯塔基大学）；Technische Universität Wien（维也纳工业大学）
组合范畴语法（CCG）是一种用于自然语言分析的语法形式。CCG将结构化的词汇类别分配给单词，并使用一小组组合规则来组合这些类别以解析句子。在这项工作中，我们提出并实现了一种新的CCG解析方法，该方法依赖于突出的知识表示形式主义，即答案集编程（ASP）--一种声明性编程范式。我们制定的CCG解析的任务作为一个规划问题，并使用ASP计算工具来计算解决方案，对应于有效的解析。与其他方法相比，不需要使用这种声明性方法实现特定的解析算法。我们的方法旨在为一个给定的句子产生所有语义不同的解析树。从这一目标出发，出现了规范化和效率问题，我们通过结合和扩展现有战略来处理这些问题。我们已经实现了一个CCG解析工具包- AspCcgTk -使用ASP作为其主要的计算手段。C&C supertagger可以用作AspCcgTk中的预处理器，这使我们能够实现广泛覆盖的自然语言解析。
2011-08-29 cs.AI cs.CL
Talking about the Moving Image: A Declarative Model for Image Schema Based Embodied Perception Grounding and Language Generation
University of Bremen（不来梅大学）；The DesignSpace Group（设计空间小组）；MANIT（迈普尔国家理工学院）
我们提出了动态视觉空间意象的具身基础和基于自然语言的分析总结的一般理论和相应的陈述模型。声明模型--ecompassing空间语言抽象，图像模式，和时空特征为基础的语言生成器-是模块化的约束逻辑编程（CLP）内实现。所实现的模型是这样的，即理论的原语，例如，与空间和运动有关的图像模式可用作具有适于推理和查询的“深层语义”的第一类对象。我们展示了广泛的动机，如电影，设计，地理，智能环境的分析自然语言为基础的外部化的运动图像的选择的例子模型是中央从人类互动的观点，基于证据的定性分析，和意义。保留字：运动图像，视觉语义和体现，视觉空间认知和计算，认知视觉，叙事的计算模型，陈述性空间推理
2015-08-13 cs.AI cs.CL cs.CV
Symbolic AI for XAI: Evaluating LFIT Inductive Programming for Fair and Explainable Automatic Recruitment
Universidad Autonoma de Madrid（马德里自治大学）；Laboratoire des Sciences du Numérique de Nantes（南特数字科学实验室）；National Institute of Informatics（国立信息学研究所）
机器学习方法与法医学、电子健康、招聘和电子学习等领域的生物识别和个人信息处理的相关性越来越大。在这些领域，对基于机器学习方法构建的系统的白盒（人类可读）解释可能变得至关重要。归纳逻辑程序设计（ILP）是符号人工智能的一个子领域，旨在自动学习关于数据处理的声明性理论。从解释转换中学习（LFIT）是一种ILP技术，可以学习与给定黑盒系统等价的命题逻辑理论（在某些条件下）。目前的工作迈出了第一步，通过检查LFIT在特定AI应用场景中的可行性，将准确的声明性解释纳入经典机器学习的一般方法：基于机器学习方法生成的自动工具的公平招聘，用于对包含软生物特征信息（性别和种族）的简历进行排名。我们展示了LFIT对这个特定问题的表现力，并提出了一个可适用于其他领域的方案。
2020-12-01 cs.AI cs.LG
Direct Encoding of Declare Constraints in ASP
IRIT ANITI University of Toulouse（图卢兹大学IRIT ANITI研究所）；Università della Calabria（卡拉布里亚大学）
本文提出将 Declare 约束语义直接编码为 ASP 规则的新方法，无需 LTLf 公式或自动机等中间表示，并在两个流程挖掘任务中验证其有效性。
2024-12-13 cs.AI cs.LO
Extending Answer Set Programming with Rational Numbers
University of Calabria（卡拉布里亚大学）
针对 ASP 无法原生处理非整数算术且浮点算术损害可复现性与声明语义的问题，本文提出将非整数近似为有理数，为扩展的 ASP-Core-2 定义语义并实现。
2023-12-07 cs.AI cs.LO cs.PL
Declarative Scenario-based Testing with RoadLogic
AIT Austrian Institute of Technology（AIT奥地利技术研究所）
本文提出RoadLogic，通过答案集编程生成抽象计划，结合运动规划生成可行轨迹，并基于规范进行验证，实现声明式OS2规范与可执行模拟的桥梁，提升自动驾驶系统场景测试的系统性。
2026-03-30 cs.AI cs.LO cs.SE
Efficiency Analysis of ASP Encodings for Sequential Pattern Mining Tasks
AGROCAMPUS-OUEST（西部农业学院）；IRISA-UMR 6074（IRISA-UMR 6074 研究所）；Inria（法国国家信息与自动化研究所）；Inria – Centre de Rennes（法国国家信息与自动化研究所雷恩中心）；Potsdam University（波茨坦大学）
本文介绍了使用回答集编程（ASP）挖掘序列模式。ASP是一种高级说明性逻辑编程范例，用于高级编码、组合和优化问题求解以及知识表示和推理。因此，ASP是实现具有背景知识的模式挖掘的一个很好的候选者，这一直是数据采掘的问题。我们提出了编码的经典序列模式挖掘任务中的两种表示嵌入（填充间隙与跳过间隙）和各种模式：频繁，约束和浓缩。我们比较了这些编码的计算性能，以更好地了解ASP编码的效率。实验结果表明，在实际问题中，填充间隙策略具有更低的内存消耗。最后，相比约束编程方法（CPSM），另一个声明式编程范式，我们的建议表现出相当的性能。
2017-11-14 cs.AI cs.DB stat.ML
Using Answer Set Programming for pattern mining
AGROCAMPUS-OUEST/IRISA UMR6074（西部农学院/法国信息与随机系统研究所）；Inria（法国国家信息与自动化研究所）
序列模式挖掘就是从一个唯一的项集序列中提取频繁序列模式。本文探讨了声明性语言，如回答集编程（ASP），有效地解决这个问题的能力。我们提出了几个ASP实现的频繁序列模式挖掘任务：一个非增量和增量的决议。结果表明，增量解析比非增量解析更有效，但两种ASP程序的效率都低于专用算法。尽管如此，这种方法可以被看作是第一步，一个通用的框架，顺序模式挖掘的约束。
2014-09-27 cs.AI cs.DB cs.LO
Integration of Declarative and Constraint Programming
将一组现有的约束求解器组合成一个集成的协作求解器系统是解决混合约束问题的一个有用和经济的原则。在本文中，我们表明，这种方法也可以用来整合不同的语言范式到一个统一的框架。此外，我们研究的语法，语义和操作的影响，这一想法的合并声明和约束编程。
2006-01-14 cs.AI cs.PL
Score-Based Explanations in Data Management and Machine Learning: An Answer-Set Programming Approach to Counterfactual Analysis
Universidad Adolfo Ibáñez（阿道夫·伊瓦涅斯大学）；Millennium Inst. for Foundational Research on Data (IMFD)（千年数据基础研究研究所）
我们描述了一些最近的方法，以分数为基础的解释数据库中的查询答案和结果的分类模型在机器学习。重点是作者和合作者所做的工作。特别强调的是放在声明性的方法的基础上的答案集编程使用的反事实推理得分规范和计算。几个例子说明了这些方法的灵活性。
2021-09-19 cs.AI cs.DB cs.LG
Programming in Alma-0, or Imperative and Declarative Programming Reconciled
在（Apt et al，TOPLAS 1998）中，我们介绍了支持声明式编程的命令式程序设计语言Alma-0。在本文中，我们说明了混合编程风格的Alma-0的各种例子，补充（Apt等，TOPLAS 1998年）。所提出的Alma-0程序说明了该语言的多功能性，并表明“不知道”的非确定性可以自然地与赋值相结合。
2000-04-05 cs.AI cs.LO cs.PL
Agent Programming with Declarative Goals
Agent研究中的一个长期而持久的问题是缩小Agent逻辑和Agent编程框架之间的差距。这一问题的主要原因是建立代理逻辑和代理编程框架之间的联系，确定和解释的事实，代理编程框架没有纳入一个“声明性目标”的概念。相反，这些框架主要侧重于计划或“要做的目标”，而不是要实现的最终目标，后者也被称为“要实现的目标”。在本文中，一个新的程序设计语言称为目标介绍了这种声明性的目标。一个“承诺策略”的概念-由于代理逻辑，它解释了信念和目标之间的关系的主要理论见解之一-是用来构建一个计算语义的目标。最后，一个证明理论证明的GOAL代理的性质。因此，我们提供了一个完整的理论代理编程的意义上，我们的理论提供了一个编程框架和编程逻辑，这样的代理。应用该编程逻辑编制了一个实例程序，并证明了该程序的正确性.
2002-07-03 cs.AI cs.PL
Logical Robots: Declarative Multi-Agent Programming in Logica
Google LLC（谷歌公司）；University of Illinois（伊利诺伊大学）；Gonzaga University（贡扎加大学）
Logical Robots通过逻辑编程语言Logica实现多智能体仿真平台，将观察映射到动作输出，实现低层反应控制与高层规划的结合。
2026-04-08 cs.AI cs.MA cs.RO
Semiring Programming: A Declarative Framework for Generalized Sum Product Problems
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）；KU Leuven（鲁汶大学）
为了解决难题，人工智能依赖于各种学科，如逻辑，概率推理，机器学习和数学编程。虽然人们普遍认为，解决现实世界的问题需要这些之间的集成，当代的表示方法提供了很少的支持。为了缓解这种情况，我们引入了一个新的声明式编程框架，提供了众所周知的问题，如SAT，贝叶斯推理，生成模型和凸优化的抽象。程序的语义是根据带有半环标签的一阶结构定义的，这使我们能够自由地组合和集成来自不同AI学科的问题。
2020-01-13 cs.AI cs.LG cs.LO
Declarative Question Answering over Knowledge Bases containing Natural Language Text with Answer Set Programming
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Arizona State University（亚利桑那州立大学）
虽然近年来基于机器学习（ML）的方法已经成为开发端到端问答系统的流行方法，但是当需要额外的知识来正确回答问题时，这样的系统经常会遇到困难。所提出的替代方案涉及将问题和自然语言文本翻译成逻辑表示，然后使用逻辑推理。然而，当文本的大小变得更大时，这种替代方法就不起作用了。为了解决这个问题，我们提出了一种方法，在自然语言文本中编写的前提进行逻辑推理。所提出的方法使用答案集编程（ASP）的最新功能来调用执行简单文本蕴涵的外部NLP模块（可能基于ML）。为了测试我们的方法，我们开发了一个语料库的生存周期问题的基础上，并表明，我们的系统实现了$18\%$性能增益相比，标准MCQ求解器。
2019-05-01 cs.AI cs.CL
A prototype of a knowledge-based programming environment
K.U. Leuven（鲁汶大学）
在本文中，我们提出了一个基于知识的编程环境的建议。在这样的环境中，声明性的背景知识、过程和具体数据以合适的语言表示并且以灵活的方式组合。这导致了高度声明性的编程风格。我们说明了我们的方法的一个例子和报告我们的原型实现。
2011-08-29 cs.AI cs.LO
PDL: A Declarative Prompt Programming Language
IBM Research（IBM研究院）；UC Davis（加利福尼亚大学戴维斯分校）
针对现有提示框架难学或削弱开发者提示控制权的问题，本文提出基于 YAML 的声明式语言 PDL，以简化多平台 LLM、工具调用及 RAG、智能体等应用的提示编程。
2024-10-24 cs.AI cs.PL
From Imperative to Declarative: Towards LLM-friendly OS Interfaces for Boosted Computer-Use Agents
Key Laboratory of System Software (Chinese Academy of Sciences)（中国科学院系统软件重点实验室）；Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；Shanghai Jiao Tong University（上海交通大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出Declarative Model Interface (DMI)，通过将传统GUI转化为三种声明式原语，提升LLM驱动的计算机使用代理的任务成功率和效率。
2026-03-25 cs.AI cs.LG cs.OS
Bridging Natural Language and Interactive What-If Interfaces via LLM-Generated Declarative Specifications
University of Maryland, College Park（马里兰大学帕克分校）；Adobe Research（Adobe研究院）；Microsoft Research（微软研究院）；AWS AI Labs（AWS人工智能实验室）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
本文提出一种两阶段工作流，通过Praxa规范语言将自然语言假设分析问题转化为交互式可视化界面，提升假设分析工具的交互性和准确性。
2026-10-08 cs.AI cs.HC
Prospects for Declarative Mathematical Modeling of Complex Biological Systems
University of California Irvine（加州大学欧文分校）
声明式建模使用符号表达式来表示模型。有了这样的表达式，人们可以形式化模型上的高级数学计算，这些计算很难或不可能在通用编程语言中直接在低级仿真程序上执行。这种模型计算的例子包括模型分析、相对通用的模型归约映射和模型实现的初始阶段，所有这些都应该保持或近似复杂生物模型的数学语义。潜在的优势是特别相关的情况下，发育建模，其中复杂的空间结构表现出动态的分子，细胞和器官水平的基因型多细胞表型。多尺度建模可以受益于声明性建模语言的表达能力和模型简化方法的应用，以跨尺度链接模型。本文在前人工作的基础上，定义了复杂生物系统的声明性建模，定义了一系列功能日益强大的声明性建模语言的算子代数语义，包括参数化和扩展对象的类反应动力学，定义了语义保持实现和语义近似模型约简变换;我们概述了一个“元层次结构”的组织声明性模型和数学方法，可以卓有成效地操纵他们。
2019-06-30 cs.AI math.DS q-bio.QM
Learning Context-Free Grammars for Grammar-Constrained Decoding via Declarative Agentic Programming with Guarantees
Amazon Web Services（亚马逊云科技）；Purdue University（普渡大学）
本研究提出名为Autogrammar的声明式智能体，可从文档和执行数据自动学习上下文无关文法，用于语法约束解码，在三种DSLs上的实验显示其生成的文法性能优于现有基线，能显著提升端到端LM的真实任务表现。
2026-08-07 cs.AI cs.CL cs.PL
PalimpChat: Declarative and Interactive AI analytics
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Jataware（贾塔韦尔公司）
PalimpChat 通过自然语言聊天接口结合 Archytas 推理智能体和 Palimpzest 优化器，使非专家用户也能创建和运行复杂的声明式 AI 分析流水线。
2025-02-05 cs.AI cs.DB cs.IR
Prompt Decorators: A Declarative and Composable Syntax for Reasoning, Formatting, and Control in LLMs
School of Engineering and Built Environment（工程与建筑环境学院）；College of Business（商学院）；Sheffield Hallam University（谢菲尔德哈姆大学）
本文提出提示装饰器，一种声明式可组合语法，通过紧凑控制标记管理LLM推理、格式化和控制，形式化20个核心装饰器，实现可预测、可审计的行为组合，提升推理透明度并降低提示复杂性。
2025-10-21 cs.AI cs.CL cs.HC
Declarative Machine Learning Systems
Stanford University（斯坦福大学）
在过去的几年里，机器学习（ML）已经从一种学术努力转变为一种普遍的技术，几乎应用于计算的各个方面。ML驱动的产品现在已经嵌入到我们的数字生活中：从推荐观看内容，到预测我们的搜索意图，再到为消费者和企业环境中的虚拟助手提供动力。最近在自然科学中应用ML的成功表明，ML可以用来解决人类今天面临的一些最困难的现实问题。由于这些原因，机器学习已经成为科技公司战略的核心，并且比以往任何时候都受到学术界的关注。尽管取得了这些成功，但我们迄今所看到的只是一个开始。目前，训练和使用机器学习模型的人都是在大型组织中工作的专家开发人员，但我们相信，下一波机器学习系统将允许更多的人，可能没有编码技能，来执行相同的任务。这些新的机器学习系统将不需要用户完全了解模型如何训练和用于获得预测的所有细节。声明式接口非常适合这个目标，因为它隐藏了复杂性，有利于利益分离，并且可以提高生产力。我们通过开发两个声明式机器学习系统Overton和Ludwig来开发这种抽象接口，它们只要求用户声明他们的数据模式（输入的名称和类型）和任务，而不是编写低级机器学习代码。在本文中，我们将描述ML系统目前的结构，强调其成功和采用的重要因素，当前ML系统面临的问题以及我们开发的系统如何解决这些问题。最后，我们将讨论这些年来ML系统开发的经验教训，以及我们认为下一代ML系统将是什么样子。
2021-07-16 cs.AI cs.LG cs.SE
