On the Role of Canonicity in Bottom-up Knowledge Compilation
University of California, Los Angeles（加州大学洛杉矶分校）
我们考虑自自底向上的【形】的编译知识库的问题，这通常是一个polytime函数的存在，使用布尔运算符（通常称为应用功能）相结合的编译预测。虽然已知对于某些语言存在这样的多时间应用函数（例如，OBDDs），而对于其他（例如，DNNF），它在某些语言中的存在仍然未知。在后者中，最近引入了句子决策图（SDD）语言，对于未简化的SDD存在多时间应用函数，但对于简化的SDD（即规范SDD）仍然未知。我们在本文中解决了这个悬而未决的问题，并考虑了它的一些理论和实践意义。我们报告的一些调查结果质疑自自底向上的【形】编译，语言规范和应用功能的复杂性之间的关系的共同智慧。
2014-04-15 cs.AI
Knowledge compilation languages as proof systems
在本文中，我们研究证明系统的Cook-Reckhow意义上的问题，是更高的多项式层次比coNP，特别是，#SAT和maxSAT。我们首先解释如何的概念Cook-Reckhow证明系统可以应用到这些问题，并显示如何可以扭曲现有的语言在知识编译，如决策DNNF，使他们可以被视为证明系统的问题，如#SAT和maxSAT。
2019-03-10 cs.AI cs.CC
Phase Transitions in Knowledge Compilation: an Experimental Study
Beihang University（北京航空航天大学）
在过去的十年中，许多复杂组合问题中的相变问题得到了广泛的研究。本文以DFA、OBDD和d-DNNF为目标语言，对知识编译过程中的阶段转换进行了实证研究。通过大量的实验分析编译结果的大小，得出以下结论：编译过程中存在一种简单-困难-简单的模式，当k固定时，该模式中大小的峰值点只与子句数与变量数的比值有关，而与目标语言无关;大多数编译结果的大小随变量数的增加而呈指数增长，但也存在一个将多项式增量区域与指数增量区域分开的相变;此外，通过对DFAs微结构的分析，我们解释了编译过程中相变的原因，并得出结论：一种具有两个以上变量的解的可解性在易-难-易模式的峰值点附近有一个急剧的转变，从而对DFAs的尺寸有很大的影响.
2011-06-03 cs.AI
Lower Bounds for Approximate Knowledge Compilation
CRIL, CNRS & Univ Artois（CRIL，法国国家科学研究中心与阿图瓦大学）
知识编译研究不同表示语言的简洁性和效率之间的权衡。对于许多语言，存在已知的表示大小的强下限，但最近的工作表明，对于某些语言，可以使用近似编译绕过这些界限。这个想法是编译一个近似的知识，错误的数量可以控制。我们专注于电路的确定性可分解否定范式（d-DNNF），编译语言，如概率推理的上下文中，因为它支持高效的模型计数和概率推理。此外，d-DNNF有已知的大小下限，通过放松到近似值，可以避免。在本文中，我们正式提出了两个概念的近似：弱近似已被研究之前，在决策图文献和强近似已被用于最近的算法结果。然后，我们展示了d-DNNF近似的下限，补充了文献中的积极结果。
2020-11-27 cs.AI
Reduced Ordered Binary Decision Diagram with Implied Literals: A New knowledge Compilation Approach
Jilin University（吉林大学）
知识编译是解决一般推理问题计算难题的一种方法。根据这种方法，知识库被离线转换成一个目标编译语言，这是易于处理的在线查询。降序二叉决策图（ROBDD）是最有影响力的目标语言之一。我们通过在每个节点上关联一些隐含文字来推广ROBDD，新的语言被称为具有隐含文字的简化有序二元决策图（ROBDD-L）。然后我们讨论了ROBDD-L的一类子集ROBDD-i，它的隐含文字正好是i（0 \leq i \leq \infty）.特别地，ROBDD-0与ROBDD同构; ROBDD-\infty要求每个节点都应该尽可能多地通过隐含的文字来关联。我们证明了ROBDD-1在某些特定的变量顺序上具有唯一性，而ROBDD-\infty是ROBDD-L中最简洁的子集，可以满足知识编译图中涉及的大多数查询要求。最后，我们提出了一个适用于任意i的ROBDD-i编译算法和一个ROBDD-\infty编译算法。在此基础上实现了一个ROBDD-L包BDDjLu，并通过初步的实验结果得出以下结论：对于所有基准测试，ROBDD-\infty明显小于ROBDD;对于编译结果相对较小的基准测试，ROBDD-\infty小于d-DNNF;将ROBDD-\infty转换为FBDD和ROBDD比直接编译基准测试更好。
2011-03-24 cs.AI
Knowledge Compilation in Multi-Agent Epistemic Logics
Jinan University（暨南大学）；Griffith University（格里菲斯大学）；Guangdong Institute of Public Administration（广东行政学院）
认知逻辑是多智能体系统的主要形式，但在这样的认知逻辑的主要推理任务是棘手的，这阻碍了多智能体认知逻辑在自动规划中的应用。知识编译提供了一个很有前途的方式来解决棘手的识别表达片段的认知逻辑是易处理的重要推理任务，如可满足性和遗忘。逻辑可分性的属性允许将公式分解成其子公式，从而可以开发用于各种推理任务的模块化算法。本文利用逻辑可分性，通过定义一个范式SDNF，提出了一种对逻辑Kn进行知识编译的方法。在几个新的结果，我们表明，每一个认知公式可以等价地编译成一个公式在SDNF，主要的推理任务在SDNF是易处理的，和公式在SDNF享有逻辑可分性。我们的研究结果揭示了一些模块化的知识编译方法。此外，我们将我们的结果应用于多智能体认知规划。最后，我们将上述结果推广到K45n，即Kn由内省公理4和5推广的逻辑。
2018-06-28 cs.AI
Efficient Knowledge Compilation Beyond Weighted Model Counting
TU Vienna（维也纳工业大学）；KU Leuven（鲁汶大学）
逻辑编程的定量扩展通常需要解决所谓的第二级推理任务，即，在加法和乘法之上涉及第三操作（诸如最大化或归一化）的问题，并且因此超出了分布语义下的概率逻辑编程的公知的加权或代数模型计数设置。我们引入二级代数模型计数（2AMC）作为这些问题的通用框架。由于2AMC是（代数）模型计数的forall-exists-SAT是命题可满足性，这是出了名的难以解决。基于知识编译（KC）的第一级技术已被改编为特定的2AMC实例施加可变的顺序约束所产生的电路。然而，这些约束会严重增加电路尺寸，从而降低这种方法的效率。我们表明，我们可以利用2AMC问题的逻辑结构，省略这些约束的一部分，从而限制了负面影响。此外，我们引入并实现了一个策略，以产生一个足够的约束静态，与先验保证KC的性能。我们对几个基准和任务的实证评估证实了我们的理论结果可以转化为更有效的解决在实践中。正在考虑接受TPLP。
2022-05-16 cs.AI cs.LO
Explainability of Intelligent Transportation Systems using Knowledge Compilation: a Traffic Light Controller Case
Boston University（波士顿大学）；Queen’s University（女王大学）；IBM Research AI（IBM研究院）
对环境做出决定的自动控制器的使用是广泛的，并且通常基于黑盒模型。我们使用知识编译理论，使可解释性的控制器的决定，给定的系统的状态。为此，我们使用模拟的历史状态-动作数据作为输入，并构建一个紧凑的结构化表示，将状态与动作联系起来。我们实现这种方法在交通灯控制的情况下，控制器选择光周期通过观察车辆的存在（或不存在）在不同区域的传入道路。
2020-07-09 cs.AI cs.HC cs.LO
Tractable Bounding of Counterfactual Queries by Knowledge Compilation
IDSIA（瑞士人工智能研究所）；UCLA（加州大学洛杉矶分校）
针对Pearl结构因果模型中反事实等部分可识别查询的边界计算问题，提出基于单次符号知识编译为带符号参数算术电路的方法，结合并行化技术，实现最高达一个数量级的推理加速。
2023-10-05 cs.AI
Fusing First-order Knowledge Compilation and the Lifted Junction Tree Algorithm
University of Lübeck（吕贝克大学）
一阶结构的概率形式化推理的标准方法包括单次查询的提升变量消除（LVE）以及基于加权模型计数的一阶知识编译（FOKC）。为了有效地处理多个查询，提升连接树算法（LJT）使用模型的一阶聚类表示和LVE作为其计算中的子例程。对于某些输入，LVE的实现，以及因此LJT接地模型的FOKC具有提升运行的部分。本文的目的是准备LJT作为提升推理的骨干，并使用任何精确的推理算法作为子程序。在LJT中使用FOKC可以让我们在某些输入下比LJT、LVE和FOKC更快地计算答案。
2018-07-02 cs.AI
New Limits for Knowledge Compilation and Applications to Exact Model Counting
University of Washington（华盛顿大学）
我们展示了新的限制使用现有技术的效率，使大类的自然问题的精确概率推理。特别是，我们展示了新的知识编译SDD和DNNF形式的下限。我们给出了强有力的下限SDD表示的复杂性SDD的大小，最佳分区通信复杂性。我们使用这种关系来证明指数下界的SDD的大小代表了一个大类的问题，自然发生的概率数据库查询。结果是，对于表示联合查询的联合，SDD在质量上并不比OBDD更简洁。我们还推导出简单的例子，SDDs必须是指数比FBDD简洁。最后，我们推导出指数下界的DNNF表示使用一个新的拟多项式模拟DNNF的非确定性FBDD的大小。
2015-08-19 cs.AI
An extended Knowledge Compilation Map for Conditional Preference Statements-based and Generalized Additive Utilities-based Languages
IRIT（图卢兹计算机研究所）；CNRS（法国国家科学研究中心）；Centre de Recherche en Informatique de Lens (CRIL)（朗斯计算机研究中心）
本文扩展条件偏好语句语言的知识编译图，分析优化、支配之外的等价性、条件化和变量消去等查询与转换的复杂性，并研究广义加性效用的表达能力及相关复杂度。
2024-01-23 cs.AI cs.CC
Boolean Nearest Neighbor Language in the Knowledge Compilation Map
Charles University（查尔斯大学）
该研究针对布尔最近邻（BNN）表示法，通过比较其与知识编译图谱（KCM）中标准语言的简洁性、确定相关查询与变换的复杂度，明确了BNN语言在KCM中的定位。
2024-10-28 cs.AI
Approximate Model Counting by Partial Knowledge Compilation
College of Computer Science and Technology（计算机科学与技术学院）；Jilin University（吉林大学）
模型计数是计算给定命题公式的满足赋值的数量的问题。尽管大多数知识编译方法都能自然地提供精确的模型计数器，但在实际应用中，由于模型数量的爆炸性增长，它们无法为某些公式生成精确的模型计数结果。Decision-DNNF是一种重要的KC语言，它捕获了大多数实用编译器。通过引入一类新的叶顶点（称为未知顶点），提出了一种广义的Decision-DNNF（称为部分Decision-DNNF），并提出了一种算法PartialKC，从给定的公式中随机生成部分Decision-DNNF公式。模型数的无偏估计可以通过随机部分决策DNNF公式计算。PartialKC的每次调用由MicroKC的多次调用组成，而后者的每次调用是配备有KC技术的重要性采样的过程。实验结果表明，PartialKC比SampleSearch和SearchTreeSampler更准确，比SearchTreeSampler更好地扩展，KC技术可以明显加速采样。
2018-05-18 cs.AI
WiCER: Wiki-memory Compile, Evaluate, Refine Iterative Knowledge Compilation for LLM Wiki Systems
Zinnia Tech Solutions（Zinnia科技解决方案）
本文提出WiCER算法，通过迭代编译、评估和细化维基内存，解决LLM维基系统中知识编译的差距问题，显著提升知识检索质量并减少灾难性失败。
2026-05-08 cs.AI cs.CL
Efficient Computation of Shap Explanation Scores for Neural Network Classifiers via Knowledge Compilation
Millennium Institute for Foundational Research on Data（千年基础数据研究所）；SKEMA Business School（SKEMA商学院）；Universidad Adolfo Ibáñez（阿道夫·伊瓦涅斯大学）
针对神经网络这类黑盒分类器的Shap解释得分计算难解问题，提出基于逻辑知识编译将二值神经网络转换为可高效计算Shap的布尔电路的方法，实验显示性能提升显著。
2023-07-23 cs.AI cs.DB cs.LG
The Compilation of Decision Models
Stanford（斯坦福大学）；Rockwell International Science Center（罗克韦尔国际科学中心）
我们从决策理论的角度介绍和分析了决策模型的编制问题。所描述的技术使我们能够评估各种配置的编译知识的性质，在一个域中的证据关系，与替代行动，运行时延迟的成本，和内存的成本相关联的实用程序。我们描述的程序，选择一个子集的总观测可纳入一个编译的情况下，行动映射，在一个二元决策的背景下，有条件的独立证据。这些方法允许我们逐步选择最好的证据来添加到工程设置中的编译知识集。在介绍了几种编译方法后，我们使用其中一种方法来深入了解证据权重的分布与编译的首选程度之间的关系。
2013-03-27 cs.AI
Ordered {AND, OR}-Decomposition and Binary-Decision Diagram
在知识编译（KC）的背景下，我们研究了增加两种分解节点的有序二元决策图（OBDD）的效果，即，与-顶点和或-顶点，分别表示命题知识库的合取和析取分解。由此产生的知识编译语言被称为有序{AND，OR}-分解和二进制决策图（OAODD）。粗略地说，以前的几种语言可以被看作是特殊类型的OAODD，包括OBDD，与/或二元决策图（AOBDD），带有隐含文字的OBDD（OBDD-L），多级分解图（MLDD）。一方面，我们提出了一些家庭的算法，可以将一些片段的OAODD到其他人;另一方面，我们提出了一套丰富的多项式时间算法，执行逻辑运算。根据这些算法，以及理论分析，我们描述的空间效率和易处理的OAODD和它的一些片段相对于评价标准的KC地图。最后，给出了一个将负范式公式转换为OAODD的编译算法。
2014-10-27 cs.AI cs.LO
Ontology-to-tools compilation for executable semantic constraint enforcement in LLM agents
University of Cambridge（剑桥大学）；CMCL；CMPG
本体到工具的编译用于LLM代理中的可执行语义约束强制，通过生成知识图谱实例来强制执行语义约束，减少手动工程。
2026-02-03 cs.AI cs.IR
Heuristically Guided Compilation for Multi-Agent Path Finding
Czech Technical University in Prague（布拉格捷克理工大学）；Faculty of Information Technology（信息技术学院）
多智能体路径寻找（MAPF）是在共享环境中寻找连接智能体指定初始位置和目标位置的非冲突路径的任务。我们专注于基于编译的求解器，其中的MAPF问题表示在不同的良好建立的形式主义，如混合整数线性规划（MILP），布尔可满足性（SAT），或约束规划（CP）。由于这些形式主义的目标求解器充当黑盒，因此在基于MAPF编译的求解器中集成MAPF特定算法是具有挑战性的。在这项工作中，我们将展示如何建立一个MAPF编码的目标SAT求解器，在特定领域的启发式知识得到反映。通过为每个代理选择候选路径并仅为这些候选路径构建编码而不是为代理的所有可能路径构建编码，将启发式知识转移到SAT求解器。进行的实验表明，启发式指导编译优于基于SAT的MAPF求解器的香草变种。
2022-12-13 cs.AI cs.MA
LLMs Interpret, Embeddings Organize, Graphs Emerge: Agent-Driven Compilation of Scientific Knowledge
Capital Normal University（首都师范大学）；Putian University（莆田大学）
本研究在ASKS系统中实现智能体驱动的科学知识编译，通过LLM生成维基视图与语义、嵌入及图规则整合变更，编译56篇论文得到可追溯研究画像，图内容关联原始来源记录。
2026-09-01 cs.AI cs.DL cs.IR
Variance Computation for Weighted Model Counting with Knowledge Compilation Approach
Communication Science Laboratories, NTT, Inc.（NTT通信科学实验室）
本文研究了加权模型计数方差的计算问题，提出了一种多项式时间算法，并证明了在不同知识编译格式下的计算复杂性，同时展示了其在贝叶斯网络不确定性分析中的应用。
2026-04-15 cs.AI cs.DS
Cognitive Agent Compilation for Explicit Problem Solver Modeling
Carnegie Mellon University（卡内基梅隆大学）
本文提出Cognitive Agent Compilation框架，利用强教师LLM将问题解决知识编译为显式目标代理，旨在提高教育场景中问题解决的可检查性和可编辑性。
2026-05-07 cs.AI cs.CL cs.CY
Understanding the complexity of #SAT using knowledge compilation
Birkbeck College, University of London（伦敦大学伯贝克学院）
到目前为止，已经使用了两种主要技术来解决#P-hard问题#SAT。第一个，在实践中使用，是基于扩展的DPLL的模型计数称为穷举DPLL。第二种方法，更多的理论，利用输入的结构来计算满意的分配的数量，通常使用一个动态规划计划的公式的分解。在本文中，我们对这两种技术的分离，展示了一个家庭的公式，可以解决在多项式时间的第一种技术，但需要一个指数的时间与第二个。我们通过观察这两种技术隐式地构建一个非常具体的布尔电路等效于输入公式。然后，我们表明，每一个β-非循环公式可以表示为一个多项式大小的电路对应的第一种方法，并表现出一个家庭的β-非循环公式，不能表示为多项式大小的电路对应的第二种方法。这一结果揭示了一个新的光的复杂性#SAT和相关问题的β-无环公式。作为一个副产品，我们提供了新的方便的工具来设计算法的β-无圈超图。
2017-01-05 cs.AI cs.CC
KGCompiler: Deep Learning Compilation Optimization for Knowledge Graph Complex Logical Query Answering
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对知识图谱复杂逻辑查询回答中推理时间和内存随算子数量显著增加的问题，提出首个专为CLQA任务设计的深度学习编译器KGCompiler，通过KG特定优化在无需人工修改代码的前提下提升推理性能并降低内存，实现平均3.71倍加速。
2025-03-04 cs.AI cs.SE
Binary Decision Diagrams for Affine Approximation
The University of Melbourne（墨尔本大学）
Selman和Kautz关于“知识编译”的工作建立了如何近似（加强和/或削弱）命题知识库可以用来加速查询处理，以牺牲完整性为代价。在这种经典的方法中，查询使用给定知识库的Horn过近似和欠近似，该知识库表示为合取范式（CNF）中的命题公式。除了Horn函数类之外，人们还可以想象其他布尔函数类，它们可能具有相同的目的，因为它们具有与Horn函数类似的有吸引力的演绎计算性质。事实上，Zanuttini已经提出仿射布尔函数类在知识编译中可能是有用的，并提出了仿射近似算法。由于CNF是笨拙的仿射函数，Zanuttini认为这两个集的模型表示和使用模2同余方程。在本文中，我们提出了一种基于约简有序二叉决策图（ROBDDs）的算法。这导致了一个表示，这是更紧凑的模型集，一旦我们建立了一些有用的性质仿射布尔函数，一个更有效的算法。
2008-04-01 cs.AI cs.LO
From Question-First to Analyst-First: Domain-Expert Skills and Verified Knowledge Compilation for Proactive Enterprise Analytics
该研究提出了一种从问题优先转为分析师优先的主动企业分析系统，通过领域专家技能抽象与离线知识编译循环实现，无需查询日志，可生成验证过的报告与建议问题。
2026-09-01 cs.AI
Beyond the Grounding Bottleneck: Datalog Techniques for Inference in Probabilistic Logic Programs (Technical Report)
Cardiff University（卡迪夫大学）；Samsung AI Research（三星人工智能研究院）
概率逻辑编程中的最先进的推理方法通常通过相对于感兴趣的查询计算相关的基础程序开始，然后使用该程序进行使用知识编译和加权模型计数的概率推理。我们提出了一种替代方法，使用高效的数据库技术集成知识编译与正向推理与非地面程序。这有效地消除了接地瓶颈，到目前为止，已经禁止概率逻辑编程的查询应答场景中的应用程序在知识图谱，同时还提供了快速近似的经典基准在该领域。
2019-11-18 cs.AI
Visual Graph Reasoning via Knowledge Compilation
University of Electronic Science and Technology of China（电子科技大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
提出VGCompiler，通过表示编译器和操作编译器从图图像中恢复显式图表示并编译查询意图，利用强化学习训练，在多个基准上显著超越现有方法，并泛化至真实世界领域。
2026-09-22 cs.AI cs.CV cs.MM
Parameterized Compilation Lower Bounds for Restricted CNF-formulas
CNRS（法国国家科学研究中心）；CRIL（朗斯信息学研究所）
我们展示了无条件参数化的下界在该地区的知识编译，更具体地说，在可分解否定范式（DNNF），编码CNF-公式的几个图的宽度措施限制电路的大小。特别是，我们表明，-有CNF公式的大小$n$和模块化发病树宽度$k$的最小DNNF编码的大小$n^{Ω(k)}$，和-有CNF公式的大小$n$和发病邻域多样性$k$的最小DNNF编码的大小$n^{Ω(\sqrt{k})}$。这些结果补充了最近的上界编译CNF到DNNF和加强-定量和定性-已知的条件下限的cronze宽度。此外，他们表明，与许多图形问题不同，这里考虑的参数的行为与树宽明显不同。
2016-04-22 cs.AI cs.CC
On the Complexity of SHAP-Score-Based Explanations: Tractability via Knowledge Compilation and Non-Approximability Results
Universidad Católica de Chile（智利天主教大学）；IMFD Chile（智利数学与计算工程研究所）；National Center for Artificial Intelligence, CENIA Chile（智利国家人工智能中心（CENIA））；SKEMA Business School（SKEMA商学院）；Univ. Lille（里尔大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）
在机器学习中，$\mathsf{SHAP}$ -score是Shapley值的一个版本，用于通过为每个特征分配分数来解释特定实体上学习模型的结果。虽然在一般计算Shapley值是一个棘手的问题，我们证明了一个强有力的积极的结果，说明$\mathsf{SHAP}$分数可以计算在多项式时间确定性和可分解的布尔电路。这种电路在知识编译领域中被研究，并且推广了广泛的布尔电路和二元决策图类，包括二元决策树和有序二元决策图（OBDD）。我们还建立了SHAP分数的计算限制，通过观察，计算它在一类布尔模型总是多项式一样难的模型计数问题，该类。这意味着决定性和可分解性都是我们考虑的电路的基本属性。这也意味着，计算$\mathsf{SHAP}$ -分数是棘手的，以及在类的命题公式在DNF。基于这个否定的结果，我们寻找存在的全多项式随机近似计划（FPRAS）计算$\mathsf{SHAP}$ -分数在这样的类。相反，DNF公式的模型计数问题，它承认一个FPRAS，我们证明了没有这样的FPRAS存在的计算$\mathsf{SHAP}$ -分数。令人惊讶的是，这个负结果甚至对DNF中的单调公式类也成立。这些技术可以进一步扩展以证明另一个强否定结果：在广泛相信的复杂性假设下，没有多项式时间算法来检查给定单调DNF公式$φ$和特征$x,y$，$φ$中的$x$的$\mathsf{SHAP}$分数是否小于$φ$中的…
2023-03-30 cs.AI cs.CC
Non-FPT lower bounds for structural restrictions of decision DNNF
我们给出了结构化决策DNNF和OBDD大小的非FPT下界，其中可分解的AND节点表示有界关联树宽度的CNF公式。这两个模型是已知的FPT大小的有界原始树宽度的CNFs。据我们所知，这是第一次参数化分离的原始树宽度和关联树宽度的知识编译模型。
2017-08-25 cs.AI cs.CC
Neuro-symbolic learning over OWL 2 DL via consequence-based compilation to differentiable circuits
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
该研究提出Baobab，将$\text{SROIQ}$本体编译为可微句子决策图，结合神经感知与本体推理，在MNIST任务上缓解非Horn描述逻辑中的推理捷径，实现贝叶斯最优后验。
2026-08-19 cs.AI
