Incremental Learning of Event Definitions with Inductive Logic Programming
National Center for Scientific Research “Demokritos”(“德谟克利特”国家科学研究中心);National University of Athens(雅典国立大学);University of Piraeus(比雷埃夫斯大学)
事件识别系统依赖于事件定义的适当设计的知识库来及时推断事件的发生。这种知识的手动开发是一项繁琐且容易出错的任务,因此基于事件的应用程序可以受益于自动化知识构建技术,例如归纳逻辑程序设计(ILP),其将机器学习与一阶逻辑的声明性和形式语义相结合。然而,学习时态逻辑形式主义,这通常是利用基于逻辑的事件识别系统是一个具有挑战性的任务,大多数ILP系统不能完全承担。此外,基于事件的数据通常是大量的,并且是在不同的时间和不同的情况下收集的。理想情况下,从时态数据中学习的系统应该能够以增量模式运行,也就是说,在面对新证据时修改先前构建的知识。大多数ILP系统都是批量学习者,在这个意义上,为了解释新的证据,他们别无选择,只能忘记过去的知识,从头开始学习。考虑到ILP固有的复杂性增加和现实生活中的时态数据量,这导致算法的可扩展性差。在这项工作中,我们提出了一个增量的方法,学习和修改基于事件的知识,在事件演算程序的形式。所提出的算法依赖于溯因-归纳学习,并包括一个可扩展的条款细化方法,基于压缩总结的条款覆盖的例子流。我们提出了一个实证评估我们的方法对真实的和合成数据从活动识别和城市交通应用。
2014-11-22 cs.AI cs.LG
Distributed Online Learning of Event Definitions
National Center for Scientific Research “Demokritos”(“德谟克利特”国家科学研究中心);University of Piraeus(比雷埃夫斯大学)
基于逻辑的事件识别系统使用一阶规则形式的一组事件定义来及时推断事件的发生。事件演算是一种时态逻辑,已被用作事件识别应用程序的基础,通过归纳逻辑程序设计(ILP)提供与机器学习的直接连接。OLED是最近提出的ILP系统,它以事件演算理论的形式学习事件定义,在数据流上进行单次传递。在这项工作中,我们提出了一个版本的OLED,允许分布式,在线学习。我们在基准活动识别数据集上评估了我们的方法,并表明我们可以显着减少训练时间,在处理节点之间交换最少的信息。
2017-05-05 cs.AI
ECA-LP / ECA-RuleML: A Homogeneous Event-Condition-Action Logic Programming Language
事件驱动的反应功能是当今分布式面向服务的应用程序和(语义)基于Web的环境中的迫切需要。一个需要解决的重要问题是如何正确和有效地捕获和处理基于事件的行为,反应逻辑表示为ECA规则与其他条件决策逻辑表示为派生规则相结合。在本文中,我们阐述了一个同构集成方法,结合派生规则,反应规则(ECA规则)和其他规则类型,如完整性约束到逻辑程序设计的一般框架。开发的ECA-LP语言提供了表达功能,如基于ID的更新,支持外部和自我更新的内涵和外延的知识,transactions,包括完整性测试和事件代数定义和处理复杂的事件和行动的基础上,一个新的基于间隔的事件演算的变体。
2006-09-26 cs.AI cs.LO cs.SE
A Probabilistic Logic Programming Event Calculus
Institute of Informatics and Telecommunications NCSR Demokritos(德谟克利特国家科学研究中心信息与电信研究所);University of Piraeus(比雷埃夫斯大学);University of Maryland(马里兰大学)
我们提出了一个系统,用于识别人类活动的视频内容的符号表示。我们的系统的输入是一组检测到的视频帧上的时间戳的短期活动(STA)。输出是一组已识别的长期活动(LTA),这些活动是STA的预定义时间组合。STA上的约束,如果满足,导致识别的LTA,已表示使用方言的事件演算。为了处理人类活动识别中自然发生的不确定性,我们将这种方言适应于最先进的概率逻辑编程框架。我们提出了一个详细的评估和比较的清晰和概率的方法,通过实验的基准数据集的人类监控视频。
2013-04-29 cs.AI
A Homogeneous Reaction Rule Language for Complex Event Processing
RuleML Inc.(RuleML公司);Betfair Ltd.(必发有限公司);National Research Council(加拿大国家研究委员会)
在当今分布式面向服务的体系结构和基于Web的事件驱动环境中,对复杂事件处理的反应性功能进行事件驱动的自动化是一个迫切的需求。要解决的一个重要问题是如何正确和有效地捕获和处理反应规则中体现的基于事件的行为、反应逻辑,并将其与体现的其他条件决策逻辑相结合,例如,在派生规则中。本文阐述了一种同构集成方法,结合派生规则,反应规则和其他规则类型,如完整性约束到逻辑编程的一般框架,声明式编程的工业强度版本。我们描述的语言的语法和语义,实现一个分布式的基于Web的中间件,使用企业服务技术,并说明其充分的表现力,效率和可扩展性,通过从工业用例中提取的例子。开发的反应规则语言提供了表达功能,如模块化的基于ID的更新,支持外部进口和自我更新的内涵和外延的知识库,交易,包括完整性测试和回滚的更新过渡路径。它还支持分布式复杂事件处理,事件消息传递和事件查询,通过有效的和可扩展的企业中间件技术和事件/动作推理的基础上的事件/动作代数实现的一个基于区间的事件演算变体作为逻辑推理形式主义。
2010-08-04 cs.AI
Logic Programming Semantics for Causal Processes
German University Of Digital Science Potsdam(德国波茨坦数字科学大学)
研究逻辑程序设计语义与因果过程最终状态的关系,指出正逻辑程序稳定模型对应特定过程最终状态,支持模型描述任意起点可达状态,为逻辑程序设计语义讨论提供新视角及时间维度。
2026-07-24 cs.AI cs.LO cs.PL
Towards Active Logic Programming
Universita’ degli Studi di L’Aquila(拉奎拉大学)
在本文中,我们提出了新的逻辑程序设计语言DALI,旨在定义代理和代理系统。DALI的主要设计目标是以声明的方式引入所有基本功能,同时保持语言尽可能接近普通Horn子句语言的语法和语义。引入了特殊的原子和规则,用于表示:外部事件,代理能够响应(反应性);动作(反应性和主动性);内部事件(可以触发进一步活动的先前结论);过去和现在的事件(意识到发生了什么)。提供了一个扩展的解决方案,使DALI代理能够回答查询,如在平原霍恩-子句语言,但也能够应付不同种类的事件,并表现出(理性)的反应和主动行为。
2014-03-21 cs.AI
CP-logic: A Language of Causal Probabilistic Events and Its Relation to Logic Programming
Katholieke Universiteit Leuven(天主教鲁汶大学)
本文发展了一种表示概率因果律的逻辑语言。我们对这种语言的兴趣是双重的。首先,它可以作为因果知识表示的基础研究。因果关系具有内在的动态方面,Shafer在他的概率树框架中已经在语义层面上进行了研究。在这样一个动态的背景下,考虑到一个领域随时间的演变,因果律作为指导这种演变的东西的想法是很自然的。在我们的形式化,一组概率因果律可以用来表示一类概率树在一个简洁,灵活和模块化的方式。通过这种方式,我们的工作扩展了Shafer的语义对象提供了一个方便的逻辑表示。其次,这种语言也与概率逻辑编程领域相关。特别是,我们证明,在我们的语言的理论的形式语义可以等价地定义为概率分布在良好的基础模型的某些逻辑程序,使它正式非常类似于现有的语言,如ICL或PRISM。因为我们可以用一种完全独立的方式来激发和解释我们的语言,将其作为概率因果律的表示,这就为解释这种概率逻辑程序背后的直觉提供了一种新的方式:我们可以用非逻辑学家同样可以理解的术语来精确地说这种程序表达了哪些知识。此外,我们还获得了一个额外的一块知识表示方法的概率逻辑程序,通过展示他们如何表达概率因果律。
2009-04-10 cs.AI cs.LO
Neuro-Symbolic Learning for Predictive Process Monitoring via Two-Stage Logic Tensor Networks with Rule Pruning
University of Parma(帕尔马大学);Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种神经符号学习方法,通过两阶段优化策略结合逻辑张量网络与规则剪枝,提升预测过程监控的准确性,尤其在合规约束下表现优异。
2026-03-27 cs.AI
Online Learning Probabilistic Event Calculus Theories in Answer Set Programming
University of Piraeus(比雷埃夫斯大学)
复杂事件识别(CER)系统使用预定义的事件模式检测流时间戳输入中的事件发生。基于逻辑的方法在CER中特别有趣,因为通过统计关系AI,它们将不确定性弹性推理与时间和变化结合起来,与机器学习结合起来,从而减轻了手动事件模式创作的成本。我们提出了一个系统的基础上回答集编程(ASP),能够与复杂的事件模式的概率推理的加权规则的形式在事件演算,其结构和权重在线学习。我们比较我们的ASP为基础的实现与马尔可夫逻辑为基础的一个和一些国家的最先进的批量学习算法CER数据集的活动识别,海上监视和船队管理。我们的研究结果表明,我们的新方法的优越性,无论是在效率和预测性能。这篇论文正在考虑发表在《逻辑程序设计理论与实践》(TPLP)上。
2021-03-31 cs.AI cs.LG
Dynamic Epistemic Logic with ASP Updates: Application to Conditional Planning
University of Corunna(拉科鲁尼亚大学);Institut de Recherche en Informatique de Toulouse(图卢兹计算机科学研究所);CNRS(法国国家科学研究中心)
动态认知逻辑(英语:Dynamic Epistemic Logic,简称DEL)是一个多模态逻辑家族,在规划任务的认知推理中被证明是非常成功的。在这种逻辑中,代理的知识被捕获的模态认知运营商,而系统的演变描述的(一些子集)动态逻辑模态中的动作通常表示为语义对象称为事件模型。在本文中,我们研究了DEL的一个变体,我们称之为DEL[ASP],其中的动作是通过使用答案集编程(ASP)表示而不是事件模型来语法描述的。这种表示直接继承了高级表达功能,如间接效果,资格,状态约束,默认值或递归流畅性,这些在ASP描述动作域中很常见。此外,我们说明了这种方法可以应用于获得有条件的计划,在单代理,部分可观察的领域,知识获取可以表示为行动的间接影响。
2019-05-25 cs.AI
Reformulating the Situation Calculus and the Event Calculus in the General Theory of Stable Models and in Answer Set Programming
Arizona State University(亚利桑那州立大学)
稳定模型语义下的限制和逻辑程序是两种著名的非单调形式化。前者是基于经典逻辑的动作形式主义的基础,如情境演算、事件演算和时态动作逻辑;后者是动作语言家族的基础,如语言A及其几个后代。基于对稳定模型的定义和稳定模型的语义在一类规范公式上的一致性的发现,我们重新定义了稳定模型一般理论中的情景演算和事件演算.我们还提出了一个翻译,把重新制定进一步的答案集程序,使高效的答案集求解器可以应用于计算的情况演算和事件演算。
2014-01-18 cs.AI cs.LO
Programming in logic without logic programming
Imperial College London(伦敦帝国学院)
在以前的工作中,我们提出了一个基于逻辑的框架,其中计算是执行的行动,试图作出反应的规则的形式,如果前件,然后在一个规范模型的逻辑程序确定的初始状态,事件序列,以及随后的状态序列。在这种模型论语义中,反应规则是驱动力,而逻辑程序只起辅助作用。在规范模型中,状态、动作和其他事件用时间戳表示。但在操作语义中,为了效率起见,省略了时间戳,仅维护当前状态。状态转换是通过执行操作来反应性地执行的,以便在前件变为真时使规则的后件变为真。这种操作语义是合理的,但不完整。它不能通过阻止它们的前因变为真,或者在它们的前因变为真之前主动地使它们的后因变为真,来使反应性规则变为真。本文给出了反应式模型的概念,证明了操作语义可以生成所有且仅生成反应式模型。为了专注于主要问题,我们省略了框架的逻辑编程组件。
2016-01-05 cs.AI
Operationalizing Declarative and Procedural Knowledge: a Benchmark on Logic Programming Petri Nets (LPPNs)
Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学研究所)
对复杂系统进行建模、指定和推理需要以集成的方式处理目标域的声明性和过程性方面。本文报告的逻辑编程Petri网(LPPNs),一个符号扩展Petri网与逻辑编程结构的命题版本进行的实验。提出了两种语义:通过事件演算将符号完全映射到ASP的指称语义;以及通过Petri网分别处理因果机制和通过应答集编程(ASP)处理与对象和事件相关联的约束的混合操作语义。这两个替代规范使得能够在计算效率方面进行经验评估。实验结果表明,混合语义比传统语义更有效。序列,而这两个语义遵循相同的行为w.r.t.分支(尽管在绝对值方面,外延分支表现得更好)。
2020-07-31 cs.AI
Learning Temporal Rules from Noisy Timeseries Data
Georgia Tech(佐治亚理工学院);IBM Research(IBM研究院);CUHK(香港中文大学);CUHK Shenzhen(香港中文大学(深圳));IBM Research AI(IBM人工智能研究院);Google(谷歌);Biomap;MBZUAI(穆罕默德·本·扎耶德人工智能大学)
跨时间轴的事件是常见的数据表示,可以在不同的时间模态中看到。单个原子事件可以以特定的时间顺序发生,以组成更高级别的复合事件。复合事件的示例是患者的医学症状或棒球运动员打出本垒打,分别引起患者生命体征和运动员运动的不同时间顺序。这些突出的复合事件作为时间数据集中的标签提供,并且大多数作品优化模型以直接预测这些复合事件标签。我们专注于揭示潜在的原子事件和它们的关系,导致在嘈杂的时间数据设置的复合事件。我们提出了神经时序逻辑编程(神经TLP),首先学习原子事件之间的隐式时间关系,然后升降机逻辑规则的复合事件,只给出复合事件标签的监督。这是通过以端到端可微的方式有效地搜索所有时序逻辑规则的组合空间来完成的。我们在视频和医疗数据集上评估了我们的方法,在这些数据集上,它优于规则发现的基线方法。
2022-02-11 cs.AI cs.LG
An Event Calculus Production Rule System for Reasoning in Dynamic and Uncertain Domains
Institute of Computer Science FO.R.T.H.(希腊研究与技术基金会计算机科学研究所);Lissi Laboratory Paris-Est Créteil Val-de-Marne University (UPEC)(巴黎东大克雷泰伊马恩河谷大学Lissi实验室)
行为语言已经成为动态领域中推理变化和因果关系的知识表示的一个重要领域。本文介绍了Cerbere,一个生产系统,旨在执行在线因果,时间和认知推理的基础上的事件演算。该框架实现了声明性语义的基础逻辑理论在一个向前链接的基于规则的推理系统,耦合的高表达性的形式主义与基于规则的系统的效率。为了说明它的适用性,我们提出了在该领域的基准问题的建模,以及它在智能空间的挑战性领域的利用。已经开发了一种混合框架,该框架将基于逻辑的推理与概率推理相结合,旨在适应智能空间中的活动识别和监控任务。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2015-12-16 cs.AI
Towards a Logic-Based Unifying Framework for Computing
在本文中,我们提出了一个逻辑为基础的,框架的灵感来自人工智能,但缩小了实际的数据库和编程应用程序。框架中的计算被视为生成一系列状态转换的任务,目的是使代理的目标都为真。状态由原子语句(或事实)的集合表示,表示程序变量的值、协调语言中的元组、关系数据库中的事实或Herbrand模型。在模型理论语义中,通过将时间戳与事实和事件相关联,将整个状态和事件序列组合到单个模型理论结构中。但在操作语义中,事实是破坏性地更新的,没有时间戳。我们表明,破坏性更新所产生的模型是相同的推理与包含时间戳的事实所产生的模型。我们还扩展了该模型与故意谓词和复合事件谓词定义的逻辑程序包含条件的一阶逻辑,查询当前状态。
2014-04-24 cs.AI cs.DB cs.LO
Online Learning of Event Definitions
National Kapodistrian University of Athens(雅典国立卡波季斯特里安大学);University of Piraeus(比雷埃夫斯大学);National Center for Scientific Research “Demokritos”(德谟克利特国家科学研究中心)
用于符号事件识别的系统使用一阶规则形式的一组事件定义来及时推断事件的发生。事件演算是一种时态逻辑,已被用作事件识别应用程序的基础,通过归纳逻辑程序设计(ILP)提供与机器学习的直接连接。我们提出了一个用于事件演算理论在线学习的ILP系统。为了允许单遍学习策略,我们使用Hoeffding界来评估输入流的子集上的子句。在学习过程中,我们采用了事件演算公理的解耦方案,允许孤立地学习每个子句。此外,我们使用溯因-归纳逻辑程序设计技术来处理未观察到的目标谓词。我们评估我们的方法上的活动识别应用程序,并比较它的一些批处理学习技术。我们得到的结果相当的预测精度与显着的加速训练时间。我们还优于手工制作的规则,并与只能在无噪声数据集上操作的健全增量学习器的性能相匹配。本文件正在考虑被TPLP接受。
2016-07-30 cs.AI cs.LG
The Design of the Fifth Answer Set Programming Competition
Università della Calabria(卡拉布里亚大学);Helsinki Institute for Information Technology HIIT(赫尔辛基信息技术研究所 HIIT);Aalto University(阿尔托大学);University of Potsdam(波茨坦大学);Università di Genova(热那亚大学)
答案集编程(ASP)是一种成熟的声明式编程范式,它在逻辑编程和非单调推理领域得到了发展。ASP解决技术的进步通常在比赛中进行评估,因为它发生在其他密切相关的问题解决技术,如SAT/SMT,QBF,计划和调度。ASP竞赛(通常)是两年一次的活动;然而,第五届ASP竞赛偏离了传统,以加入2014年维也纳夏季逻辑的FLoC奥林匹克运动会,这有望成为逻辑历史上最大的事件。ASP竞赛系列由卡拉布里亚大学(意大利),阿尔托大学(芬兰)和热那亚大学(意大利)联合举办,并隶属于第30届国际逻辑编程会议(ICLP 2014)。它具有完全重新设计的设置,包括轨道设计,评分模式以及坚持固定建模语言的新颖性,以推动ASP-Core-2标准的采用。基准域取自过去的版本,并将2013年提交的最佳系统包与新版本和求解器进行比较。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2014-06-03 cs.AI
Grammar of the Wave: Towards Explainable Multivariate Time Series Event Detection via Neuro-Symbolic VLM Agents
AI Lab, SLB(SLB人工智能实验室);Télécom Paris, Institut Polytechnique de Paris, France(巴黎电信学院,巴黎高等理工学院,法国)
提出语言引导的时间序列事件检测(TSED)任务,通过事件逻辑树(ELT)将文本描述转化为结构化时序逻辑,并构建神经符号VLM智能体SELA,实现零/少样本事件检测与可解释推理。
2026-10-14 cs.AI cs.LG cs.MA
Integrating Reasoning Systems for Trustworthy AI, Proceedings of the 4th Workshop on Logic and Practice of Programming (LPOP)
第4届编程逻辑与实践研讨会聚焦于可信人工智能的推理系统集成,将与第40届国际逻辑编程会议联合于2024年10月13日在美国达拉斯以混合形式举行,重点是集成不同编程模型与规则和约束。
2026-07-27 cs.AI cs.LO cs.PL
Memory Matters More: Event-Centric Memory as a Logic Map for Agent Searching and Reasoning
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学北京校区人工智能学院)
本文提出CompassMem,一种以事件为中心的记忆框架,通过构建事件图实现智能体的结构化记忆导航,提升长周期推理能力。
2026-01-08 cs.AI cs.CL
A Temporal Logic for Uncertain Events and An Outline of A Possible Implementation in An Extension of PROLOG
现实生活中许多事件的发生都存在不确定性。在本文中,我们开发了一个时间逻辑来处理这种不确定的事件,并概述了一个可能的实现扩展的PROTEGO。事件表示为模糊集的隶属函数给出的事件在给定的时间间隔内发生的可能性。所开发的时态逻辑简单但功能强大。它可以有效地确定不确定事件或其组合之间的各种时间关系。PROTECH提供了一个统一的基底,在其上有效地实现这样一个不确定事件的时态逻辑
2013-03-27 cs.AI
Grounding the Lexical Semantics of Verbs in Visual Perception using Force Dynamics and Event Logic
NEC Research Institute, Inc.(NEC研究所)
本文提出了一种实现系统识别的事件描述的简单的空间运动动词在短图像序列的发生。这些动词的语义是用事件逻辑表达式来指定的,这些表达式描述了事件参与者之间的力动态关系状态的变化。一个有效的有限表示介绍了描述液体和半液体的事件时发生的间隔的无限集。此外,一个有效的程序,使用这种表示的推断发生的复合事件,描述与事件逻辑表达式,从发生的原始事件。使用力动力学和事件逻辑来指定事件的词汇语义允许系统比基于运动轮廓的现有系统更鲁棒。
2011-06-01 cs.AI
Improving Large Language Models in Event Relation Logical Prediction
Peking University(北京大学);Microsoft Research Asia(微软亚洲研究院);Nanyang Technological University(南洋理工大学);School of Computer Science, Fudan University(复旦大学计算机科学学院)
本文针对LLM事件关系逻辑不一致问题,比较三种逻辑增强方法,并构建含高阶推理的LLM-ERL数据集用于评估与微调,验证了方法有效性。
2024-08-09 cs.AI
A Logic of General Attention Using Edge-Conditioned Event Models (Extended Version)
Stanford University(斯坦福大学);Technical University of Denmark(丹麦技术大学);University of Oslo(奥斯陆大学)
本研究提出首个通用注意力逻辑,通过泛化边条件事件模型并将注意力扩展到任意公式,克服了现有动态认知逻辑仅能建模原子公式注意力、规模指数增长的局限,可用于AI智能体发现人类注意力偏差。
2025-05-20 cs.AI
A Logic for Reasoning about Upper Probabilities
Cornell University(康奈尔大学)
我们提出了一个命题逻辑推理的不确定性事件,其中的不确定性是由一组概率的措施分配一个概率的间隔,每个事件建模。我们给出了该逻辑的一个完备公理化,并证明了可满足性问题是NP-完全的,并不比命题逻辑的可满足性问题难。
2014-08-07 cs.AI cs.LO
Probabilistic Event Calculus for Event Recognition
NCSR “Demokritos”(国家科学研究中心“德谟克利特”);University of Piraeus(比雷埃夫斯大学)
符号事件识别系统已经成功地应用于各种应用领域,以事件的形式提取有用的信息,允许专家或其他系统在识别出重大事件时进行监控和响应。然而,在典型的事件识别应用中,这些系统通常必须处理大量的不确定性。在本文中,我们解决了基于逻辑的事件识别的不确定性问题,通过扩展事件演算与概率推理。马尔可夫逻辑网络是我们基于逻辑的形式主义的自然候选者。然而,事件演算的时间语义引入了一些挑战,所提出的模型。我们展示了如何以及在什么样的假设下,我们可以克服这些问题。此外,我们研究了概率建模如何改变形式主义的行为,影响其关键属性,流畅性的惯性。此外,我们展示了概率事件演算的优势,通过实例和实验在活动识别领域,使用公开的视频监控数据集。
2013-08-15 cs.AI
A logic for reasoning about upper probabilities
我们提出了一个命题逻辑%,它可以用来推理的不确定性事件,其中的不确定性是由一组概率的措施分配一个区间的概率为每个事件建模。我们给出了该逻辑的一个完备公理化,并证明了可满足性问题是NP-完全的,并不比命题逻辑的可满足性问题难。
2003-07-30 cs.AI cs.LO
cc-Golog: Towards More Realistic Logic-Based Robot Controllers
现实领域中的高级机器人控制器通常处理并发操作的过程,不断改变世界,并且其中动作的执行是事件驱动的,如“电压电平一低就给电池充电”。虽然基于非逻辑的机器人控制语言非常适合表达这样的场景,但当以一种明显的方式投影世界如何在执行动作时演变时,它们表现得很差。另一方面,像\congolog这样的基于逻辑的控制语言,基于情境演算,非常适合后者。但是,它在表达事件驱动的行为时存在问题。在本文中,我们将展示如何克服这些问题,首先扩展的情况演算,以支持连续变化和事件驱动的行为,然后提出\ccgolog,一个变种的\congolog,这是基于扩展的情况演算。\ccgolog的一个好处是,与非基于逻辑的控制语言相比,它缩小了表达能力的差距,同时保留了语义上良好的投影机制。
2000-03-08 cs.AI
Attention! Dynamic Epistemic Logic Models of (In)attentive Agents
University of Copenhagen(哥本哈根大学);Technical University of Denmark(丹麦技术大学)
本文提出基于动态认知逻辑的命题注意模型,允许智能体关注原子公式子集并引入默认真值机制,以更合理地表征非注意盲视现象,同时通过新逻辑语言实现事件模型的线性表示。
2023-05-18 cs.AI
Ceteris paribus logic in counterfactual reasoning
University of Auckland(奥克兰大学)
大卫·刘易斯的反事实语义学在不太可能或不可能的事件基础上受到了挑战。这样的事件可能会扭曲一个给定的相似顺序,有利于那些展示它们的可能世界。通过根据其他条件不变的子句更新模型的关系结构,人们以自然的方式排除了那些不满足子句要求的可能世界。我们开发了一个其他条件不变的逻辑反事实推理能够执行这样的行动,并提供了几种替代(放松)的其他条件不变的解释。我们应用这个框架的方式,使我们能够反事实的原因,而不会有我们的相似性顺序不太可能的事件。这是对其他条件不变推理的研究的继续,其他条件不变推理以前曾被应用于偏好、游戏形式的逻辑和决策问题等领域。
2016-06-24 cs.AI cs.LO
Terrorism Event Classification Using Fuzzy Inference Systems
King Mongkut’s University of Technology North Bangkok(北曼谷国王科技大学);Human Language Technology Laboratory(人类语言技术实验室);Faculty of Information Science and Engineering(信息科学与工程学院);National Electrics and Computer Technology Center(国家电子与计算机技术中心);University of Canberra(堪培拉大学)
恐怖主义给泰国社会带来了许多问题,不仅造成财产损失,而且造成平民伤亡。提前预测恐怖主义活动有助于防范和管理这些活动造成的破坏风险。本文提出了一个框架,重点是在恐怖主义领域的事件分类使用模糊推理系统(FIS)。每个FIS是一个结合模糊逻辑和近似推理的决策模型。它由五个主要部分组成:输入接口、模糊化接口、知识库单元、决策单元和输出解模糊化接口。自适应神经模糊推理系统(ANFIS)是将模糊逻辑和神经网络相结合的一种自适应模糊推理系统模型。ANFIS利用自动识别的模糊逻辑规则和调整隶属函数(MF)。此外,神经网络可以直接从数据集学习,以构建模糊逻辑规则和MF实现在各种应用。FIS设置基于两个比较进行评估。第一个评估是使用相同FIS设置的非结构化和结构化事件之间的比较。第二个比较是FIS和ANFIS对结构化事件分类的模型设置。该数据集包括与泰国南部三个省的恐怖主义事件有关的新闻文章。实验结果表明,基于结构化事件的FIS分类性能优于非结构化事件,达到了令人满意的分类精度。此外,使用ANFIS的结构化事件的分类给出了更高的性能比单独使用FIS的事件在恐怖主义事件的预测。
2010-04-11 cs.AI
Neural Datalog Through Time: Informed Temporal Modeling via Logical Specification
Bloomberg LP(彭博有限合伙企业)
当可能的事件类型的集合很大时,学习如何从过去事件的模式预测未来事件是困难的。训练一个不受限制的神经模型可能会过拟合到虚假的模式。为了利用特定领域的知识,如何过去的事件可能会影响事件的现在的概率,我们建议使用一个时间演绎数据库来跟踪结构化的事实随着时间的推移。规则的作用是从其他事实和过去的事件中证明事实。每个事实都有一个随时间变化的状态-一个由神经网络计算的向量,其拓扑结构由事实的起源决定,包括它对过去事件的经验。任何时候可能的事件类型都由特殊事实给出,其概率与其状态一起被神经建模。在合成和现实世界的领域,我们表明,神经概率模型来自简洁的Datasheet程序,提高预测编码适当的领域知识在其架构。
2020-08-17 cs.AI cs.DB cs.LG
Anti-Goal Reasoning: Rethinking the Theory of Goal Reasoning in Non-Axiomatic Logic
Department of Computer and Information Sciences, Temple University, USA(计算机与信息科学系,特拉华大学)
研究非公理逻辑中目标推理里回避表示不清的问题,扩展框架定义反目标,引入心理操作“防止”,通过案例研究验证所得规则能区分追求、被动回避、主动预防和保留行动,清晰表示回避,联系反目标与普通目标推理。
2026-07-24 cs.AI cs.LO
Time, Chance, and Action
为了在世界上智能地运行,智能体必须对自己的行为进行推理。一个行动的后果是世界状态和行动本身的函数。世界的许多方面本质上都是随机的,因此用于推理动作的表示必须能够表达世界状态的概率以及动作和其他事件的影响的不确定性。本文提出了一个命题时间概率逻辑表示和推理的行动。逻辑可以表示事实成立和事件在不同时间发生的概率。它可以表示行为和其他事件影响未来的概率。它可以表示在操作执行期间保持或更改的并发操作和条件。概率模型将概率与时间联系起来。逻辑语言集成了模态和概率结构,因此可以表示和区分可能性,概率和真理。给出了几个例子说明使用的逻辑。
2013-03-27 cs.AI
Causal Past Logic for Runtime Verification of Distributed LLM Agent Workflows
Université Paris-Saclay, CNRS, ENS Paris-Saclay, LMF, Gif-sur-Yvette, France(巴黎-萨克雷大学,国家科学研究中心,巴黎-萨克雷高等师范学院,LMF,法国吉夫昂蒂埃)
本文提出了一种因果过去逻辑(CPL)用于分布式大语言模型代理工作流的运行时验证,通过在ZipperGen框架中引入CPL,实现了对工作流中因果可见事件的实时监控和控制流影响,从而将运行时验证整合到协调语言本身。
2026-09-11 cs.AI cs.LO cs.PL