On the Computation of Paracoherent Answer Sets
University of Calabria(卡拉布里亚大学);University of Huddersfield(哈德斯菲尔德大学)
答案集编程(ASP)是一个良好的形式主义的非单调推理。由于循环默认否定,ASP程序可能没有答案集。在这种情况下,不可能得出任何结论,即使这不是故意的。最近,一些paracoherent语义已经提出了解决这个问题,这些语义的几个潜在的应用程序已经确定。然而,由于缺乏有效的算法和实现,类相干语义在实际中基本上是不适用的。在本文中,这一不足,并提出了几种不同的算法来计算半稳定和半平衡模型,并实现到一个答案集求解框架。在ASP竞赛的基准测试中,给出了新算法之间的实证性能比较。
2017-07-21 cs.AI cs.LO
Probabilistic reasoning with answer sets
Arizona State University(亚利桑那州立大学);Texas Tech University(德克萨斯理工大学)
本文开发了一种声明性语言,P-log,它结合了逻辑和概率的论点,在其推理。答案集Prolog被用作逻辑基础,而因果贝叶斯网作为概率基础。我们给出了几个非平凡的例子,并说明使用P-log的知识表示和知识更新。我们认为,我们的更新方法比现有的方法更有吸引力。我们给出了P-log程序的一致性的充分条件,并表明贝叶斯网可以很容易地映射到连贯的P-log程序。
2008-12-03 cs.AI cs.LO
Graphs and colorings for answer set programming
本文研究了规则依赖图及其着色在描述和计算逻辑程序答案集中的应用。这种方法为我们提供了深入了解规则之间的相互作用时,诱导答案集。我们从不同的特征的答案集的全彩色依赖图,不同的图论方面。然后,我们开发了一系列的操作特征的答案集的运营商部分着色。与证明论中的推导概念类似,我们的操作刻画被表示为(非确定性形成的)着色序列,将未着色的图变成完全着色的图。通过这种方式,我们得到了一个操作框架,其中不同的操作符组合会导致不同的形式属性。除其他外,我们确定的noMoRe系统所采用的基本策略,并证明其算法的方法。此外,我们区分相应的拟合的操作,以及良好的基础语义。(To逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2005-02-21 cs.AI cs.LO
Automated verification of weak equivalence within the SMODELS system
在答案集编程(ASP)中,通过(i)编写其答案集对应于问题的解的逻辑程序,以及通过(ii)使用答案集求解器作为搜索引擎来计算程序的答案集,来解决手头的问题。通常,程序员在优化程序长度和特定求解器上的执行时间时,为特定问题创建一系列逐渐改进的逻辑程序。这将程序员引向确保程序是等效的元级问题,即,它们产生相同的答案集。为了在方法层面简化答案集编程,我们提出了一种基于翻译的方法来验证逻辑程序的等效性。其基本思想是将所考虑的逻辑程序P和Q转换为单个逻辑程序EQT(P,Q),其答案集(如果存在的话)产生P和Q等价的反例。该方法是在这里开发的一个稍微更一般的设置时,考虑到原子的可见性比较答案集。本文提出的基于推理的方法已被实现为一个翻译器,称为lpeq,使验证弱等价的模型系统内使用相同的搜索引擎的搜索模型。我们用lpeq和smodels进行的实验表明,在某些情况下,用这种方式建立逻辑程序的等价性比简单的交叉检查答案集要快得多。
2006-08-25 cs.AI cs.LO
Rushing and Strolling among Answer Sets -- Navigation Made Easy
TU Wien(维也纳工业大学);TU Dresden(德累斯顿工业大学)
回答集编程(ASP)是一种流行的声明式编程范式,在人工智能中有着广泛的应用。通常,当用ASP建模AI问题时,特别是当我们感兴趣的不仅仅是简单地搜索最佳解决方案时,实际解决方案,解决方案之间的差异或ASP程序的解决方案数量很重要。例如,当用户的目标是根据她的需要识别特定的答案集,或者需要发散解决方案的总数来理解概率应用,例如医学领域的推理。然后,只有某些特定问题和手工编码技术可用于导航ASP程序的解决方案空间,这通常是不够的。在本文中,我们提出了一个正式的和一般的框架,交互式导航所需的子集的答案集类似于分面浏览。我们的方法使用户能够有意识地放大或缩小在一定的可配置的步伐的解决方案的子空间,探索解决方案空间。我们说明了加权分面导航是计算困难的。最后,我们提供了一个实现我们的方法,证明了我们的框架不可理解的解决方案空间的可行性。
2021-12-14 cs.AI cs.LO
Nested Aggregates in Answer Sets: An Application to a Priori Optimization
我们允许表示和推理的存在下,嵌套的多个聚合在多个变量和嵌套的多个聚合函数涉及多个变量的答案集,准确地说,在答案集优化编程和答案集编程。我们显示的适用性的答案集优化规划与嵌套的多个聚合和答案集规划与嵌套的多个聚合的概率旅行商问题,一个基本的先验优化问题在运筹学。
2013-04-05 cs.AI
Computing Preferred Answer Sets by Meta-Interpretation in Answer Set Programming
最近,答案集编程(ASP)作为一种新的解决问题的范例引起了人们的兴趣。需要支持的一个重要方面是处理规则之间的偏好,为此提出了几种方法。在本文中,我们考虑的问题,通过元解释器的答案集编程实现偏好处理方法。特别是,我们认为首选的答案集的方法由Brewka和Eiter,由Delaware,Schaub和Tompits,由王,周和林。我们提出了合适的元解释器,这些语义使用DLV,这是一个有效的引擎ASP。此外,我们还提出了一个元解释器的弱首选答案集的方法,由Brewka和Eiter,它使用DLV的弱约束功能作为表达和解决底层优化问题的工具。我们还考虑了高级元解释器,它利用基于图的特征,通常允许更有效的计算。我们的方法表明,一般的ASP和DLV,特别是快速原型的适用性。这可以被富有成效地用于试验新的语言和知识表示形式主义。
2002-01-16 cs.AI cs.LO
Solution Enumeration by Optimality in Answer Set Programming
Aalto University(阿尔托大学);Tampere University(坦佩雷大学)
本文提出答案集编程中按最优性顺序枚举答案集(ASEO)的通用算法,支持最佳k个或无限枚举,并展示其在优化问题次优解访问和贝叶斯网络采样中的应用。
2021-08-07 cs.AI cs.LO
diff-SAT -- A Software for Sampling and Probabilistic Reasoning for SAT and Answer Set Programming
National University of Ireland, Galway(爱尔兰国立高威大学)
本文介绍了diff-SAT,一个答案集和SAT求解器,它结合了经常使用概率条款,事实和规则的能力,解决和采样的最佳世界观(满足布尔变量分配或答案集的多集)受用户提供的概率约束。采样过程使用称为可微可满足性求解($\partial\mathrm{SAT}$)或可微答案集编程($\partial\mathrm{ASP}$)的基于梯度下降的优化方法来最小化用户定义的可微目标函数。用例是i.a.概率逻辑编程(以概率答案集编程的形式),概率布尔可满足性求解(PSAT)和模型多集(答案集或布尔解释)的分布感知采样。
2021-01-03 cs.AI cs.LO
Reasoning about actions with EL ontologies with temporal answer sets
Università del Piemonte Orientale(东皮埃蒙特大学);Università di Torino(都灵大学)
我们提出了一种基于回答集编程的方法,用于推理与域描述,包括本体知识,在轻量级描述逻辑EL^ \bot表示的行动。我们考虑一个时间的行动理论,它允许非确定性的行动和因果规则来处理后果,其扩展定义的时间答案集。我们提供的条件下,可以保证相对于本体的动作一致性,由一个多项式编码的动作理论扩展与EL^ \bot知识库(在范式)到一个时间的动作理论。
2021-07-18 cs.AI
Counting Answer Sets via Dynamic Programming
TU Wien(维也纳工业大学)
虽然近年来命题可满足性(#SAT)的解决方案计数问题重新受到关注,但这一研究趋势并没有影响其他AI解决范式,如答案集编程(ASP)。虽然ASP求解器被设计为枚举所有解决方案,因此计数可以很容易地完成,但所有解决方案的具体化是ASP(#ASP)计数问题的明显瓶颈。在本文中,我们提出了基于动态规划的#ASP算法,利用底层(地面)ASP程序的结构。一个原型实现的实验结果表明,与现有的求解器相比,承诺。
2016-12-22 cs.AI cs.CC cs.LO
Justifying Answer Sets using Argumentation
Department of Computing Imperial College London(伦敦帝国理工学院计算机系)
答案集是一个普通的文字集,它没有进一步的结构来解释为什么某些文字是它的一部分,为什么其他文字不是。我们展示了如何论证理论可以帮助解释为什么一个文字是或不包含在一个给定的答案集定义两种理由的方法,这两种方法都利用答案集之间的对应关系的逻辑程序和稳定的扩展的假设为基础的论证(ABA)框架构建从同一个逻辑程序。攻击树在论证理论术语中证明文字,即使用它们之间的参数和攻击,而基于ABA的答案集证明在逻辑编程术语中表达相同的证明结构,即使用文字及其关系。有趣的是,基于ABA的答案集证明对应于所讨论的答案集的可接受片段,而攻击树对应于与此答案集对应的稳定扩展的可接受片段。
2014-12-02 cs.AI
Normal forms for Answer Sets Programming
介绍了逻辑程序在稳定/答案集语义下的范式。我们认为,这些形式可以简化程序属性的研究,主要是一致性。第一个范式,称为程序的{ \em内核},对于研究答案集的存在性和数量非常有用。一个核程序是由原子组成的,这些原子在良基语义中是未定义的,它们直接影响答案集的存在。规则的主体仅由否定字面值组成。因此,内核形式往往比其他配方显着更紧凑。此外,它是可能的检查内核程序的一致性,在着色的扩展依赖图程序表示,我们以前开发的。第二种范式称为{ \em 3-kernel}。一个三核程序是由在良基语义中未定义的原子组成的。三核程序中的规则最多有两个条件,每个规则要么属于一个循环,要么定义了循环之间的连接。3-内核程序可以具有积极的条件。三核范式对于程序一致性的静态分析非常有用,即,答案集存在性的句法刻画。这一结果可以得到感谢一种新的图形表示的程序,称为循环图,其中提出的配套文章\cite{Cos04b}。
2004-10-06 cs.AI
Answer Sets for Logic Programs with Arbitrary Abstract Constraint Atoms
New Mexico State University(新墨西哥州立大学)
在本文中,我们提出了两种替代方法来定义答案集的逻辑程序与任意类型的抽象约束原子(C原子)。这些方法将普通逻辑程序的基于不动点和基于层次映射的回答集语义推广到具有任意类型C原子的逻辑程序的情况。结果是四个不同的答案集定义,当应用于正常的逻辑程序时是等价的。将逻辑程序基于不动点的标准语义推广到两个方向:归约回答集和求补回答集。这些定义在处理否定即失败(naf)原子时彼此不同,它们利用直接结果算子来执行答案集检查,其定义依赖于c原子w.r.t.条件满足的概念。一对诠释。另外两个定义,称为强良支模型和弱良支模型,是普通逻辑程序的良支模型的概念到具有c原子的程序的情况的推广。至于基于不动点的语义,这两个定义之间的差异源于对naf原子的处理。我们证明了通过reduce(resp.”(《易·系辞上》)“弱”者,“弱”也。强)良好支撑模型的程序,从而推广定理之间的对应关系的稳定模型和良好支撑模型的一个正常的逻辑程序类的程序与C-原子。我们表明,新定义的语义与以前介绍的语义与单调的C原子的逻辑程序,他们扩展了原来的答案集语义正常的逻辑程序。我们还研究了一些性质的回答集的程序与C-原子,并与我们的定义的几个语义逻辑程序与聚集在文献中提出的。
2011-10-10 cs.AI
Predicate-Conditional Conformalized Answer Sets for Knowledge Graph Embeddings
University of Stuttgart(斯图加特大学);Bosch Center for AI(博世人工智能中心);University of Oxford(牛津大学);University of Cambridge(剑桥大学);Stanford University(斯坦福大学);University of Oslo(奥斯陆大学);University of Southampton(南安普顿大学)
针对知识图谱嵌入中现有共形预测仅提供边际覆盖保证的不足,提出CondKGCP方法,通过合并相似谓词并利用秩信息校准,实现紧凑预测集下的谓词条件覆盖保证,并验证其理论有效性与经验性能。
2025-05-22 cs.AI
grASP: A Graph Based ASP-Solver and Justification System
University of Texas at Dallas(德克萨斯大学达拉斯分校)
回答集编程(ASP)是一种基于非单调逻辑的知识表示和组合问题求解的流行范式。计算ASP程序的答案集通常是NP难的,研究人员一直在投入大量的精力来加速它。目前大多数ASP求解器采用类似SAT求解器的技术来找到这些答案集。因此,很难证明为什么文字在答案集中。存在基于依赖图的方法来找到答案集,但是由于依赖图的表示限制,这样的方法是有限的。我们提出了一种新的依赖图为基础的方法来寻找答案集,其中目标的结合明确表示为一个节点,允许任意的答案集程序被统一表示。我们的表示保留了因果关系,允许的理由,每个文字的答案集被优雅地发现。从实施的性能结果也报告。我们的工作为计算答案集铺平了道路,而无需接地程序。
2021-04-02 cs.AI
Generating Explainable Rule Sets from Tree-Ensemble Learning Methods by Answer Set Programming
The Graduate University for Advanced Studies, SOKENDAI(综合研究大学院大学);National Institute of Informatics(国立信息学研究所)
我们提出了一种方法,用于生成可解释的规则集的树集成学习器使用答案集编程(ASP)。为此,我们采用了一种分解的方法,其中的分裂结构的基础决策树利用规则的建设,这反过来又是评估使用模式挖掘方法编码在ASP中提取有趣的规则。我们展示了如何用户定义的约束和偏好可以表示在ASP声明允许透明和灵活的规则集生成,以及如何规则可以用来作为解释,以帮助用户更好地理解模型。真实世界的数据集和流行的树集成算法的实验评估表明,我们的方法适用于广泛的分类任务。
2021-09-17 cs.AI
Conformalized Answer Set Prediction for Knowledge Graph Embedding
University of Stuttgart(斯图加特大学);Bosch Center for AI(博世人工智能中心);Cardiff University(卡迪夫大学);University of Oslo(奥斯陆大学);University of Southampton(南安普顿大学);Eindhoven University(埃因霍温大学);Stanford University(斯坦福大学)
针对知识图谱嵌入排序缺乏概率解释和不确定性量化的问题,应用共形预测理论生成具有概率保证的答案集,并通过多基准数据集验证了其有效性和对查询难度的自适应性。
2025-01-25 cs.AI
Kara: A System for Visualising and Visual Editing of Interpretations for Answer-Set Programs
Technische Universität Wien(维也纳工业大学)
在答案集编程(ASP)中,问题的解决方案被编码在逻辑理论的专用模型中,称为答案集。这些答案集是从代表理论的程序中通过ASP求解器计算出来的,并作为地面一阶文字集返回给用户。由于这种类型的表示对于用户来说通常是繁琐的,因此开发了ASPVIZ和IDPDraw等工具,允许可视化答案集。本文介绍的工具卡拉,遵循这些方法,使用ASP本身作为一种语言来定义可视化的解释。与仅根据静态坐标定位图形基元的现有工具不同,Kara允许更高级别的规范,支持图形结构,网格和图形元素的相对定位。此外,Kara概括了以前工具的功能,提供了可修改的可视化,以便可以通过图形编辑其可视化来操纵解释。这是通过诉诸溯因推理技术来实现的。Kara是SeaLion的一部分,SeaLion是一个即将推出的ASP集成开发环境(IDE)。
2011-10-11 cs.AI cs.GR cs.LO
Learning Weak Constraints in Answer Set Programming
Imperial College London(帝国理工学院)
本文提出了一个新的学习框架,允许弱约束的学习答案集编程(ASP)的归纳逻辑程序设计领域的贡献。该框架,称为学习有序答案集,概括了我们以前的工作学习ASP程序没有弱约束,通过考虑一个新的概念的例子,有序对部分答案集,其中答案集的一个学习的假设(连同给定的背景知识)是首选其他。在这个新的学习任务中,归纳解决方案是在正常规则,选择规则,硬约束和弱约束的假设空间内搜索的。我们提出了一个新的算法,ILASP2,这是健全的和完整的关于我们的新的学习框架。我们调查其适用性,学习偏好的面试调度问题,也表明,当限制到学习ASP程序没有弱约束的任务,ILASP2可以比我们以前提出的系统更有效。
2015-07-23 cs.AI
Conformal Feedback Alignment: Quantifying Answer-Level Reliability for Robust LLM Alignment
Arizona State University(亚利桑那州立大学)
Conformal Feedback Alignment通过量化答案级可靠性提升大语言模型对齐的鲁棒性和数据效率。
2026-01-24 cs.AI cs.LG
Quantifying and Understanding Uncertainty in Large Reasoning Models
Department of Computer Science, Iowa State University(爱荷华州立大学计算机科学系)
本文提出了一种量化推理-答案结构不确定性的新方法,并开发了基于Shapley值的统一解释框架,通过理论分析和实验验证了方法的有效性。
2026-04-15 cs.AI cs.LG
Quantifying Uncertainty in Answers from any Language Model and Enhancing their Trustworthiness
Cleanlab;University of Maryland(马里兰大学)
本研究提出BSDetector方法,为黑盒LLM的输出估计置信度以检测错误答案,在问答基准上表现优于现有方法,还能通过选高置信度响应提升答案准确性,并增强LLM自动评估的可靠性。
2023-10-04 cs.AI cs.CL
Quantifying and Mitigating Premature Closure in Frontier LLMs
Department of Medicine, Stanford University(斯坦福大学医学系);Department of Biomedical Data Science, Stanford University(斯坦福大学生物医学数据科学系)
本文研究了大语言模型在医疗任务中过早闭合的问题,通过评估五个前沿模型发现其在不确定情况下仍频繁给出答案,安全提示虽能减少错误,但仍有残留问题,需进一步验证医疗LLM是否能判断何时不应回答。
2026-05-14 cs.AI cs.CL
Quantifying and Mitigating Selection Bias in LLMs: A Transferable LoRA Fine-Tuning and Efficient Majority Voting Approach
Carnegie Mellon University Africa(卡内基梅隆大学非洲分校);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种可转移的LoRA微调和高效多数投票方法,用于量化并缓解大语言模型中的选择偏差问题。
2025-11-17 cs.AI cs.CL cs.IR
Quantifying the Conceptual Error in Dimensionality Reduction
University of Kassel(卡塞尔大学)
数据集的降维是机器学习和知识推理领域的标准问题。它们影响数据维度的模式和依赖关系,并最终影响任何决策过程。因此,正在使用各种各样的裁减程序,每种程序都追求不同的目标。一个迄今尚未考虑的标准是归约映射的概念连续性,即,相对于原始数据集的概念结构的保存。基于形式概念分析中的尺度度量概念,本文提出了一种检测和量化数据尺度中概念错误的理论基础,并在11个数据集上对该方法进行了实验研究。
2021-06-12 cs.AI cs.IT cs.LG
Question Answering with LLMs and Learning from Answer Sets
University of Calabria(卡拉布里亚大学);The University of Chicago(芝加哥大学);Imperial College London(帝国理工学院)
本文提出混合系统LLM2LAS,利用LLM提取语义结构、ILASP自动归纳逻辑规则并结合ASP进行形式化推理,以解决基于故事的常识问答任务。
2025-09-20 cs.AI cs.CL cs.LO
The Wording Effect: Quantifying Two-Way Drift in LLM Benchmark Performance
IBM Research India(IBM印度研究院);IBM Research Almaden(IBM阿尔马登研究院)
该研究提出BenchDrift方法,通过生成基准问题的保义变体,发现大语言模型性能存在双向漂移,且漂移与重新措辞相关,模型性能提升未消除措辞敏感性。
2026-08-13 cs.AI cs.CL
Quantifying Consistency in LLM Logical Reasoning via Structural Uncertainty
AWS Generative AI Innovation Center(AWS生成式AI创新中心)
提出结构不确定性框架,通过自偏好排序的稳定性评估LLM推理一致性,在逻辑和数学任务中与答案分散度互补,提升不可靠实例识别。
2026-06-17 cs.AI
Agentic System as Compressor: Quantifying System Intelligence in Bits
Peking University(北京大学)
提出将智能体系统视为压缩器,通过算术编码等方法以比特数衡量系统智能,在五个任务中验证智能体组件能减少编码长度。
2026-06-25 cs.AI
Improving the Robustness of QA Models to Challenge Sets with Variational Question-Answer Pair Generation
The University of Tokyo(东京大学);National Institute of Informatics(国立信息学研究所)
阅读理解的问答(QA)模型在分布测试集上已经达到了人类水平的准确性。然而,它们已被证明缺乏对挑战集的鲁棒性,挑战集的分布与训练集的分布不同。现有的数据增强方法通过简单地用从与挑战集相同的分布中采样的合成示例来增强训练集来缓解这个问题。然而,这些方法假设挑战集的分布是先验已知的,使得它们不太适用于看不见的挑战集。在这项研究中,我们专注于问答对生成(QAG),以减轻这个问题。虽然大多数现有的QAG方法的目的是提高合成的例子的质量,我们推测,多样性促进QAG可以减轻训练集的稀疏性,并导致更好的鲁棒性。我们提出了一个变分QAG模型,从一个段落中产生多个不同的QA对。实验结果表明,该方法可以提高12个挑战集的准确率,以及分布准确率。我们的代码和数据可在https://github.com/KazutoshiShinoda/VQAG上获得。
2021-06-04 cs.AI cs.CL cs.LG
Question and Answer Test-Train Overlap in Open-Domain Question Answering Datasets
Facebook AI Research(Facebook 人工智能研究院);University College London(伦敦大学学院)
理想情况下,开放域问答模型应该表现出许多能力,从简单地记忆训练时看到的问题,到用训练期间看到的答案回答新的问题公式,再到用新的答案概括出完全新的问题。然而,单个聚合测试集分数并不能显示模型真正拥有的能力的全貌。在这项工作中,我们进行了详细的研究,测试集的三个流行的开放域基准数据集就这些能力。我们发现60 - 70%的测试时间答案也存在于训练集中的某个地方。我们还发现,30%的测试集问题在相应的训练集中有一个近乎重复的释义。利用这些发现,我们评估了各种流行的开放领域模型,以更深入地了解它们实际上可以推广到什么程度,以及是什么推动了它们的整体性能。我们发现,所有模型在无法从训练集中记忆的问题上的表现都要差得多,重复和非重复数据之间的平均绝对性能差异为63%。最后,我们证明了简单的最近邻模型优于BART闭卷QA模型,进一步强调了训练集记忆在这些基准测试中的作用
2020-08-06 cs.AI cs.CL
Quantifying Memorization and Parametric Response Rates in Retrieval-Augmented Vision-Language Models
Carnegie Mellon University(卡内基梅隆大学)
本研究针对检索增强视觉语言模型的记忆与检索依赖评估指标缺失问题,提出代理指标量化记忆程度,发现微调模型更依赖记忆且准确率更高,并首次实证对比文本与视觉模态的参数化效应,为多模态记忆与泛化研究提供参考。
2025-06-15 cs.AI cs.LG
Methodological Framework for Quantifying Semantic Test Coverage in RAG Systems
针对RAG系统测试集缺乏知识库覆盖度量化方法的问题,提出基于向量嵌入与聚类的语义覆盖率量化框架,可计算多类指标、过滤无关问题,实验验证其能有效评估覆盖度并辅助优化测试集。
2025-08-13 cs.AI cs.LG cs.SE
Quantifying Uncertainty with Probabilistic Machine Learning Modeling in Wireless Sensing
Amazon Lab126(亚马逊Lab126)
近年来,机器学习技术在无线通信领域的应用得到了巨大的发展,特别是在无线传感领域。然而,围绕ML模型的推理可靠性以及与其预测相关的不确定性的问题从未得到正确的回答或沟通。这本身就对这些机器学习系统的透明度提出了很多问题。开发具有概率建模的ML系统可以很容易地解决这个问题,其中可以量化不确定性,无论它是来自数据(不可约误差或随机不确定性)还是来自模型本身(可约或认知不确定性)。本文详细描述了这些类型的不确定性量化背后的想法,并使用基于WiFi信道状态信息(CSI)的运动/非运动情况下的感测的真实示例来演示不确定性建模。这项工作将作为一个模板,不仅用于WiFi传感,而且用于大多数无线传感应用,从WiFi到利用AI/ML模型的基于毫米波雷达的传感,对预测的不确定性进行建模。
2022-10-12 cs.AI cs.LG eess.SP