It is common for search and optimization problems to have alternative equivalent encodings in ASP. Typically none of them is uniformly better than others when evaluated on broad classes of problem instances. We claim that one can improve the solving ability of ASP by using machine learning techniques to select encodings likely to perform well on a given instance. We substantiate this claim by studying the hamiltonian cycle problem. We propose several equivalent encodings of the problem and several classes of hard instances. We build models to predict the behavior of each encoding, and then show that selecting encodings for a given instance using the learned performance predictors leads to significant performance gains.
Aspartame: Solving Constraint Satisfaction Problems with Answer Set Programming
University of Kobe（神户大学）；University of Potsdam（波茨坦大学）；National Institute of Informatics（国立信息学研究所）；Simon Fraser University（西蒙弗雷泽大学）；Griffith University（格里菲斯大学）
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）
BACE-RUL: A Bi-directional Adversarial Network with Covariate Encoding for Machine Remaining Useful Life Prediction
School of Software Engineering, Sun Yat-Sen University（中山大学软件学院）；School of Computer Science and Technology, China University of Mining and Technology（中国矿业大学计算机科学与技术学院）；National University of Singapore（新加坡国立大学）
Best-Effort Inductive Logic Programming via Fine-grained Cost-based Hypothesis Generation
Technische Universität Wien（维也纳技术大学）；Marmara University（马尔马拉大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Sabanci University（萨班哲大学）
本文介绍了参加第一届归纳逻辑程序设计（ILP）竞赛的计算机系统。它基于Answer Set Programming（ASP）。假设空间生成的ASP编码：给定一组表示模式偏差的事实和一组成本配置参数，该编码的每个答案集表示一个规则，该规则被认为是用于找到需要给定示例的假设。与使用规则体的长度作为规则复杂性度量的最新方法相比，我们的方法允许对假设候选规则的形状进行更细粒度的规范。系统迭代地增加规则成本限制，从而增加搜索空间，直到找到合适的假设。该系统搜索一个假设，需要一个单一的例子，利用ASP编码从XHAIL中使用的编码派生。我们用ILP竞赛的开发和测试集进行实验。为了比较，我们还适应了ILASP系统处理竞争的情况下。实验结果表明，假设搜索空间的代价参数是在有限的资源范围内找到竞争实例的假设的重要因素。
Symbolic-AI-Fusion Deep Learning (SAIF-DL): Encoding Knowledge into Training with Answer Set Programming Loss Penalties by a Novel Loss Function Approach
Department of Data Science, Faculty of Science and Technology, Norwegian University of Life Sciences（数据科学系，科学与技术学院，挪威生命科学大学）
提出 SAIF-DL 混合方法，利用本体和 ASP 将领域规则与逻辑约束编码为损失惩罚，以增强深度学习训练，并实现跨领域可扩展适配。
