ACLP: Integrating Abduction and Constraint Solving
ACLP是一个将溯因推理和约束求解相结合的系统，它是通过融合溯因逻辑程序设计（ALP）和约束逻辑程序设计（CLP）的框架实现的。它为人工智能等领域的溯因问题提供了一个通用的高级知识表示环境。在ACLP中，溯因任务通过其与约束求解的非平凡集成来支持和增强，从而促进其在复杂问题中的应用。ACLP系统目前实施的CLP语言的ECLiPSe作为一个元解释器，利用其底层的约束求解有限域的顶部。它已被应用到规划和调度的问题，以测试其计算效率相比，直接使用的（低级别）约束求解框架的CLP上，它是建立。这些实验提供的证据表明，溯因框架的ACLP不妥协显着的计算效率的解决方案。其他实验表明，ACLP的自然能力，以适应容易，并在一个强大的方式新的或不断变化的要求，原来的问题。
2000-03-10 cs.AI
Abduction in Well-Founded Semantics and Generalized Stable Models
溯因逻辑程序设计提供了一种形式化的表达和解决问题的领域，如诊断，规划，信念修正和假设推理。表逻辑程序设计提供了一种计算机制，它提供了一种优于Prolog的声明性级别，并支持在诸如解析、程序分析和模型检验等领域的成功应用。在本文中，我们将展示如何使用表格逻辑编程来评估查询溯因框架的完整性约束时，这些框架包含默认和显式否定。其结果是能够在有明确否定和答案集的良好基础的语义上计算溯因。我们的方法包括一个转换和评估方法。该转换与程序中的每个目标文字$O$相邻，目标文字$not(O)$以及确保当且仅当$O$为假时$not(O)$为真的规则。我们把得到的程序称为{ \em dual}程序。然后，评估方法\wfsmeth对对偶程序进行操作。\wfsmeth{}是健全和完整的评估查询溯因框架的蕴涵方法是基于显式否定的良好的基础语义，或回答集。此外，\wfsmeth{}是渐近有效的任何已知的方法为任一类的问题。此外，当绑架是不希望的，\wfsmeth{}操作的双重程序提供了一种新的制表方法，用于评估查询地面扩展程序的复杂性和终止属性是类似的最好的制表方法的良好的基础语义。一个公开可用的元解释器已经开发了\wfsmeth{}使用XSB系统。
2003-12-24 cs.AI cs.LO
Abduction and Dialogical Proof in Argumentation and Logic Programming
University of Luxembourg（卢森堡大学）；King’s College London（伦敦国王学院）；University of Montpellier 2（蒙彼利埃第二大学）
我们开发了一个抽象论证的溯因模型，其中论证框架的变化作为假设来解释观察的支持。我们提出了主要决策问题的对话证明理论（即，找到解释怀疑/轻信支持的假设），并且我们表明我们的模型可以基于溯因逻辑程序来实例化。
2014-07-15 cs.AI cs.LO
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
Improving Adherence to Heart Failure Management Guidelines via Abductive Reasoning
University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
慢性疾病如心力衰竭（HF）的管理是一个主要的公共卫生问题。医学界管理慢性病的标准方法是由专家委员会制定所有医生都应遵循的指南。由于其复杂性，这些指南很难实施，并在医学界广泛采用。我们已经开发了一个医生咨询系统，该系统使用答案集编程（ASP）对用于管理HF的整套临床实践指南进行编码。在本文中，我们将展示如何溯因推理可以部署，以找到失踪的症状和条件，病人必须表现出，以便医生开出的治疗有效地工作。因此，如果医生没有提出适当的建议或提出不遵守的建议，我们的系统将向医生建议必须有效的症状和状况，以使该建议适用。目前正在考虑让TPLP接受。
2017-07-16 cs.AI
Joint Tabling of Logic Program Abductions and Updates
Universidade Nova de Lisboa（里斯本新大学）；Universitas Indonesia（印度尼西亚大学）
溯因逻辑程序提供了一种形式主义来声明性地表示和推理各种领域的问题：诊断，决策，假设推理等。另一方面，逻辑程序更新使我们能够表达知识的变化，无论是内部（或自我）和外部（或世界）的变化。溯因逻辑程序和逻辑程序更新因此自然地共存于易受关于变化的假设推理影响的问题中。以此为动机，在本文中，我们集成了溯因逻辑程序和逻辑程序更新，共同利用表功能的逻辑编程。这种集成是基于我们以前分别设计的两种实现技术，即，用于逻辑程序更新的查询驱动传播的表化溯因和增量表化。用XSB Prolog语言实现了一个集成系统的原型。
2014-05-08 cs.AI
Modeling and Reasoning in Event Calculus using Goal-Directed Constraint Answer Set Programming
CETINIA Universidad Rey Juan Carlos（胡安卡洛斯国王大学CETINIA）；IMDEA Software Institute（IMDEA软件研究所）；Universidad Politécnica de Madrid（马德里理工大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
自动常识推理对于构建具有可解释AI等特征的类人AI系统至关重要。事件演算（EC）是一个形式主义的家庭，模型常识推理与健全的，逻辑基础。先前使用EC进行机械化推理的尝试在处理密集域中的连续变化（例如，时间和其他物理量）、变量之间的约束、默认否定以及不同推理方法的统一应用等。我们建议使用的s（CASP），查询驱动的，自上而下的执行模型的谓词答案集编程的约束，模型和原因使用EC。我们展示了如何EC的情况下，可以自然和直接编码的s（CASP），以及它如何使演绎和溯因推理任务的域具有约束，涉及密集的时间和密集的流畅性。
2021-06-28 cs.AI cs.LO
Formally Explaining Decision Tree Models with Answer Set Programming
National Institute of Informatics, Tokyo, Japan（日本信息处理研究院）；Tokyo Institute of Technology, Tokyo, Japan（东京技术大学）
本文提出利用答案集编程生成决策树模型多种解释的方法，以提升模型的可解释性与形式化验证能力。
2026-01-07 cs.AI cs.LO
Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments
本文提出利用多个预训练模型减少感知误差的归纳推理方法，通过逻辑程序编码预测和错误检测规则，采用整数规划和启发式搜索算法提升预测覆盖度和一致性，实验表明在复杂分布偏移场景中性能优于单一模型和传统集成基线。
2026-03-20 cs.AI cs.CV cs.LG
Detecting Unsolvable Queries for Definite Logic Programs
在解决一个问题时，SLD证明过程有时会在无限空间中搜索一个不存在的解。例如，向计划器查询无法达到的目标状态。这样的程序激发了方法的发展，以证明没有解决方案。考虑到确定程序和查询“<-Q”作为一阶理论的子句，可以应用模型生成器来搜索其中程序子句以及子句"false <-Q“为真的有限解释。本文提出了一种新的方法，利用这一事实，所有条款是明确的。它基于有限预解释空间中的目标定向溯因搜索，以寻找一个预解释，使得在基于它的程序的最小模型中Q为假.本文提出了几种有效搜索预解释空间的方法.实验结果证实，我们的方法找到的解决方案，搜索比使用一阶模型生成器。
2000-03-17 cs.AI cs.LO
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
Generating Explanations for Biomedical Queries
Sabancı University（萨班哲大学）
我们引入新的数学模型和算法来生成（最短或k不同）的生物医学查询的解释，使用答案集编程。我们实现了这些算法，并将它们集成在BIOQUERY-ASP。我们说明了这些方法的有用性与药物发现相关的一些复杂的生物医学查询，在生物医学知识资源PHARMGKB，药物库，生物网格，CTD，SIDER，疾病本体和ORPHADATA。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2013-09-24 cs.AI cs.LO
Reactive Answer Set Programming
Imperial College London（帝国理工学院）
逻辑产生式系统（Logic Production System，LPS）是一个基于逻辑的框架，用于对反应行为进行建模。基于溯因逻辑编程，它结合了反应规则与逻辑程序，数据库和因果理论，指定数据库的状态之间的转换。本文提出了一个系统的映射到一个答案集程序（ASP）的核心这个框架（称为KELPS）。为此目的，一个新的变种KELPS有限模型，称为$n$距离KELPS，介绍。给出了从这个$n$ -距离KELPS到ASP的映射的形式化定义，并证明了它的正确性和完整性。答案集编程范式允许捕捉KELPS基本反应的额外行为，特别是主动，先发制人和前瞻性行为。这些都是讨论和举例说明。然后提出了一个混合框架，集成KELPS和ASP，允许结合两种范式的优势。逻辑程序设计理论与实践（TPLP）
2021-09-22 cs.AI
LPC(ID): A Sequent Calculus Proof System for Propositional Logic Extended with Inductive Definitions
Carnegie Mellon University（卡内基梅隆大学）；Katholieke Universiteit Leuven（鲁汶大学）
逻辑FO（ID）使用来自逻辑编程领域的思想来扩展具有非单调归纳定义的一阶逻辑。这种逻辑形式上扩展了逻辑程序设计、溯因逻辑程序设计和数据逻辑，从而将对这些形式主义的看法形式化为（广义）归纳定义的逻辑。本文的目标是研究FO（ID）的命题片段PC（ID）的演绎推理方法。我们引入了一个正式的证明系统的基础上的演算（根森式演绎系统），这种逻辑。由于PC（ID）是经典命题逻辑和命题归纳定义的集成，我们的推理演算证明系统集成了命题演算和定义的推理规则。我们提出了这个证明系统的可靠性和完整性，相对于PC（ID）的一个略有限制的片段。我们还提供了PC（ID）的一些复杂性结果。通过对PC（ID）证明系统的开发，有助于加深对FO（ID）证明理论基础的理解，从而研究FO（ID）的有效证明系统。
2012-07-11 cs.AI cs.LO
Sea-cret Agents: Maritime Abduction for Region Generation to Expose Dark Vessel Trajectories
EpochGeo
本文提出结合溯因推理、逻辑程序设计与规则学习的海事暗船定位方法，在接近完全召回的同时比机器学习方法所需搜索区域更小。
2025-02-06 cs.AI cs.LG cs.LO
Visual Explanation by High-Level Abduction: On Answer-Set Programming Driven Reasoning about Moving Objects
HCC Lab., University of Bremen（不来梅大学 HCC 实验室）；MPI Lab., Örebro University（厄勒布鲁大学 MPI 实验室）；University of Warsaw（华沙大学）；Aarhus University（奥胡斯大学）
我们提出了一个混合体系结构，系统地计算强大的视觉解释（S），包括假设形成，信念修正，和默认推理与视频数据。该架构由两个紧密集成的协同组件组成：（1）（功能）答案集编程为基础的溯因推理与时空轨迹作为本地实体;（2）基于检测的对象跟踪和运动分析的视觉处理管道。我们提出了正式的框架，其一般实现作为一个（声明）的方法在答案集编程，和一个示例应用程序和评估的基础上两个不同的视频数据集：MOTChallenge基准开发的视觉社区，和最近开发的电影数据集。
2017-12-03 cs.AI cs.CV cs.LO
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
Mapping Data to Ontologies with Exceptions Using Answer Set Programming
University of Oslo（奥斯陆大学）
在基于本体的数据访问中，数据库通过从数据库上的查询到本体上的查询的映射连接到本体。在本文中，我们考虑从关系数据库映射到一阶本体，并定义了一个基于ASP的框架GLAV映射与查询的本体中的映射规则机构。我们表明，这种类型的映射可以用来表达约束和例外，以及简洁地表示OBDA映射是一个强大的机制。我们给出了一个勇敢的推理算法，在这种情况下，并表明，这个问题具有相同的数据复杂性ASP（NP-完全），或者它至少是硬的本体查询检查蕴涵的复杂性。此外，我们表明，本体与UCQ-查询存在一个自然的减少映射程序到\exists -ASP，扩展ASP与存在的变量，本身承认一个自然的减少ASP。
2016-07-07 cs.AI cs.DB
Experimenting with recursive queries in database and logic programming systems
Università della Calabria（卡拉布里亚大学）
本文考虑了大量（可能是分布式的）数据的推理问题。目前，现有的建议显示出一些局限性：{ \em（i）}由于推理通常在主存中进行的事实，可以同时处理的数据的量是有限的; { \em（ii）}与外部的交互（和独立的）DBMS不是微不足道的，在某些情况下，根本不允许;{ \em（iii）}当前实现的效率对于它们在涉及大量数据的复杂推理任务中的利用仍然是不够的。本文提供了在这种情况下的贡献，它提出了一个新的系统，称为DLV $^{DB}$，旨在解决这些问题。此外，本文报告了一个彻底的实验分析的结果，我们已经进行了比较我们的系统与几个国家的最先进的系统（包括逻辑和数据库）的一些经典的演绎问题;其他测试系统是：LDL++，XSB，Smodels和三个顶级的商业DBMS。DLV $^{DB}$在递归查询上的性能甚至明显优于商业数据库系统。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2007-04-24 cs.AI cs.DB
"Would life be more interesting if I were in AI?" Answering Counterfactuals based on Probabilistic Inductive Logic Programming
Ludwig-Maximilians-Universität München（慕尼黑大学）
本文针对概率逻辑程序在反事实推理中的不足，提出一种语言片段，可从诱导分布重构程序，从而学习支持反事实查询的模型。
2023-08-30 cs.AI cs.LG cs.LO
Post-Proceedings of the First International Workshop on Learning and Nonmonotonic Reasoning
知识表示与推理和机器学习是人工智能的两个重要领域。非单调逻辑程序设计（NMLP）和回答集程序设计（ASP）为常识知识的表示和推理提供了形式语言，实现了人工智能中的声明式问题求解。另一方面，归纳逻辑程序设计（ILP）在逻辑程序设计中实现了机器学习，为归纳学习提供了形式化的背景，并将其应用于关系学习和数据采掘等领域。一般来说，NMLP和ASP实现了非单调推理，但缺乏学习能力。相反，ILP实现了归纳学习，而大多数技术都是在经典单调逻辑下发展起来的。在这种背景下，一些研究者试图将各种技术结合到非单调ILP中。这样的组合将引入一个学习机制的程序，并将利用新的应用程序的NMLP侧，而在ILP侧，它将扩展的表示语言，使我们能够使用现有的求解器。学习和非单调推理之间的交叉也可以发生在诸如使用答案集求解器用于ILP、在运行答案集求解器时加速学习、学习动作理论、学习动力系统中的转换规则、溯因学习、学习具有抑制的生物网络以及涉及默认和否定的应用中。该研讨会是首次尝试提供一个公开论坛，以确定问题和讨论具有互补专长的研究人员之间可能的合作。该研讨会于2013年9月15日在西班牙Corunna举行。这篇论文集包含五篇技术论文（六篇被接受的论文中的五篇）和Luc De Raedt邀请演讲的摘要。
2013-11-19 cs.AI cs.LG cs.LO
Logic-Guided Data Extraction with Answer Set Programming and Large Language Models
University of Calabria（卡拉布里亚大学）；University of Campania Luigi Vanvitelli（坎帕尼亚路易吉·万维泰利大学）
研究针对大语言模型用于语义数据提取时的不足，提出结合回答集编程与大语言模型的逻辑引导数据提取框架，通过交错调用与推导减少大语言模型调用次数，提高提取质量。
2026-07-23 cs.AI
Applying Constraint Logic Programming to SQL Semantic Analysis
Complutense University of Madrid（马德里康普顿斯大学）
本文提出了使用约束逻辑编程（CLP）的SQL查询建模在一个数据独立的抽象层，专注于一些语义属性，在这样的查询信号可能的错误。首先，我们定义一个从SQL到Datasheet的转换，以及从Datasheet到CLP的转换，这样解决这个CLP程序将给出关于不一致性、重言式和可能的简化的信息。我们使用不同的约束域映射到SQL类型，并建议他们合作，以提高准确性。我们的方法利用演绎系统，包括SQL和数据库，我们提出了一个实现在这个系统中，目前正在课堂上进行测试，显示其优势和差异相对于其他方法，以及一些性能数据。本文件正在考虑被TPLP接受。
2019-07-25 cs.AI cs.DB cs.LO
DaRLing: A Datalog rewriter for OWL 2 RL ontological reasoning under SPARQL queries
University of Calabria（卡拉布里亚大学）
W3C Web本体语言（OWL）是一种功能强大的知识表示形式体系，它以许多以语义为中心的应用程序为基础。由于其不受限制的使用使得推理在非常简单的任务中已经不可判定，因此已经确定了表达性但可判定的片段。其中，我们重点介绍了OWL 2 RL，它提供了丰富的语义构造器，除了支持所有RDFS数据库。虽然流行的Web资源（如DBpedia）属于OWL 2 RL，但只有少数系统是为这个片段设计和实现的。然而，它们都不能完全满足以下所有要求：（i）免费提供并定期维护;（ii）支持查询应答和SPARQL查询;（iii）正确应用sameAs属性而不采用唯一名称假设;（iv）处理具体的数据库。为了填补这一空白，我们提出了DaRLing，一个免费提供的数据库重写OWL 2 RL本体推理SPARQL查询。特别是，我们描述了它的体系结构，它实现的重写策略，并证明其实际适用性的实验评估的结果。这篇论文是在逻辑程序设计理论与实践（TPLP）中考虑的。
2020-08-05 cs.AI cs.LO
Defeasible Conditionals using Answer Set Programming
University of Cape Town（开普敦大学）；Open Universiteit Heerlen, Limburg, the Netherlands（开放大学）
本文提出利用答案集编程计算可反驳闭包，实现自动构建最小排名模型并提升计算效率。
2026-01-07 cs.AI cs.LO
Well-Definedness and Efficient Inference for Probabilistic Logic Programming under the Distribution Semantics
University of Ferrara（费拉拉大学）；Universidade Nova de Lisboa（新里斯本大学）
分布语义是逻辑程序设计与概率论相结合的重要途径之一。许多语言遵循这种语义，例如独立选择逻辑、PRISM、pD、带有注释析取的逻辑程序（LPAD）和ProbLog。当程序包含函数符号时，只有当查询的解释集是有限的并且每个解释也是有限的时，分布语义才是定义良好的。良好定义通常要么是明确强加的，要么是通过严格限制允许程序的类别来实现的。在本文中，我们确定了一个更大的类的程序，其中的语义是定义良好的计算查询的概率与一个有效的程序。由于LPAD提供了最一般的语法，我们提出了我们的结果，但我们的结果适用于所有的语言下的分布语义。我们提出的算法“概率推理与制表和答案包容”（PITA），计算概率的查询转换成一个正常的程序，然后应用SLG决议与答案包容。PITA已经在XSB中实现，并在六个域上进行了测试：两个域带有函数符号，四个域没有。与ProbLog，cplint和CVE的执行时间相比，PITA几乎总是能够在更短的时间内解决更大的问题，无论是否有函数符号。
2011-10-04 cs.AI cs.LO cs.PL
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
Query Answering in Object Oriented Knowledge Bases in Logic Programming: Description and Challenge for ASP
SRI International（斯坦福国际研究院）；New Mexico State University（新墨西哥州立大学）
本文介绍ASP中大规模知识库KB_Bio_101及其查询程序，并解释这些查询对当前ASP求解器构成重大实际挑战的原因。
2013-12-20 cs.AI
"What if?" in Probabilistic Logic Programming
TU Wien（维也纳工业大学）；Ludwig-Maximilians-Universität München（慕尼黑大学）
本文扩展ProbLog语言以支持基于Pearl反事实演算的“如果怎样”查询，给出处理过程、正确性证明和实现，并验证其与CP-logic因果语义一致。
2023-05-24 cs.AI
Lifted Variable Elimination for Probabilistic Logic Programming
Università di Ferrara（费拉拉大学）；Universidade do Porto（波尔图大学）
提升推理已经被提出用于各种概率逻辑框架，以便计算在取决于随机变量的域的大小而不是实例的数量的时间内的查询的概率。尽管许多作者都强调了它对概率逻辑编程（PLP）的重要性，但到目前为止，提升推理只应用于逻辑编程之外的关系语言。本文将广义计数一阶变量消去法（GC-FOVE）应用于分布语义下概率逻辑程序的查询概率计算问题。特别是，我们扩展的Prolog因子语言（PFL），包括两种新类型的因素，需要代表ProbLog程序。这些因素考虑到现有的因果独立关系的随机变量之间的关系，并管理的扩展，以消除变量提出的张和Poole处理收敛变量和异质因素。GC-FOVE中添加了两个新的运算符来处理异质因素。由此产生的算法，称为LP $^2$的提升概率逻辑编程，已实现通过修改GC-FOVE的PFL实现和测试的三个基准提升推理。与PITA和ProbLog 2的比较显示了该方法的潜力。
2014-10-10 cs.AI
Solving Hard XAI Queries Based on a Compiled Dual-Rail Encoding
LISIC, ULCO（滨海大学LISIC实验室）
本文针对布尔分类器的溯因解释在有序二元决策图上仍难计算的问题，提出用分类器的双轨编码的适当表示来高效计算这类困难的XAI查询。
2026-09-07 cs.AI cs.CC
Scalable Neural-Probabilistic Answer Set Programming
TU Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心（hessian.AI））；Centre for Cognitive Science, TU Darmstadt（达姆施塔特工业大学认知科学中心）；German Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
针对现有深度概率编程语言联合概率估计能力不足的问题，提出新型DPPL框架SLASH，集成可处理概率推理，通过神经概率谓词与ASP结合，支持多类概率查询，剪枝优化可扩展性，在多任务上验证有效。
2023-06-14 cs.AI
A System for Interactive Query Answering with Answer Set Programming
Universität Potsdam（波茨坦大学）；Simon Fraser University（西蒙弗雷泽大学）；Griffith University（格里菲斯大学）
反应式答案集编程为将在线信息纳入操作解决过程铺平了道路。虽然这项技术最初是为了处理动态环境中的数据流而设计的，比如辅助生活和认知机器人，但它同样可以用于整合用户提供的事实、规则或查询。因此，我们提出了一个系统的设计和实现的交互式查询回答与反应式答案集编程。我们的系统quontroller是基于反应求解器oclingo和实现作为一个专用的前端。我们描述了它的功能和实现，并通过一些选定的用例说明了它的功能。
2013-12-20 cs.AI
Answering Fuzzy Queries over Fuzzy DL-Lite Ontologies
University of Milano-Bicocca（米兰比可卡大学）
知识表示中的一个突出问题是如何回答查询，同时考虑表示领域知识的本体的隐含后果。虽然这个问题已经在描述逻辑本体论的领域内得到了广泛的研究，但令人惊讶的是，在模糊或不精确知识的背景下，特别是从数学模糊逻辑的角度来看，它被忽视了。在本文中，我们研究的问题，回答合取查询和阈值查询w.r.t.模糊DL-Lite中的本体。具体来说，我们通过重写的方法，阈值查询回答w.r.t.在数据复杂度方面，一致的本体保持在$AC_0$中，但是合取查询应答高度依赖于所选择的三角范数，这对底层语义有影响。对于幂等的哥德尔t-范数，我们提供了一个有效的方法的基础上减少到经典的情况。这篇论文是在逻辑程序设计理论与实践（TPLP）中考虑的。
2021-11-23 cs.AI
Weight Learning in a Probabilistic Extension of Answer Set Programs
School of Computing, Informatics and Decision Systems Engineering（计算、信息与决策系统工程学院）；Arizona State University（亚利桑那州立大学）
LPMLN是答案集程序的概率扩展，其权重方案源自马尔可夫逻辑。以前的工作已经表明如何在LPMLN推理可以实现。本文提出了LPMLN中权学习的概念，并从Markov逻辑的权学习算法中导出了LPMLN的学习算法。我们还提出了一个原型实现，使用答案集求解器的学习，以及一些示例域，说明不同的LPMLN学习功能。在LPMLN学习是根据稳定的模型语义，从而学习参数的概率扩展知识丰富的领域，答案集编程已被证明是有用的，但限于确定性的情况下，如可达性分析和推理的行动在动态域。我们还应用该方法来学习参数的概率溯因推理的行动。
2018-10-09 cs.AI
Improving the Efficiency of Inductive Logic Programming Through the Use of Query Packs
Katholieke Universiteit Leuven（天主教鲁汶大学）；PharmaDM（法玛迪姆公司）
归纳逻辑程序设计或关系学习是机器学习或数据采掘的强大范例。然而，为了使ILP变得实际有用，ILP系统的效率必须大幅提高。为此，引入了查询包的概念：它构建了类似查询的集合。此外，描述了用于执行这样的查询包的机制。复杂性分析表明，相当大的效率提高，可以通过使用这种查询包执行机制。这一主张是支持的实证结果，通过将支持查询包执行两个现有的学习系统。
2011-06-09 cs.AI
Logic Programming Applications: What Are the Abstractions and Implementations?
Stony Brook University（石溪大学）
本文对逻辑编程应用进行分类梳理，基于连接、递归、约束三大核心抽象及其对应的for循环、不动点、回溯实现，划分出数据库查询、归纳分析、组合搜索三类应用，同时探讨语言扩展、编程范式及相关支撑系统。
2018-02-20 cs.AI cs.DB cs.LO
Boolean Matrix Logic Programming on the GPU
Department of Computing, Imperial College London, London, UK（计算系，伦敦帝国学院，伦敦，英国）；Department of Life Sciences, Imperial College London, London, UK（生命科学系，伦敦帝国学院，伦敦，英国）
本文提出GPU加速的布尔矩阵逻辑编程方法，通过布尔矩阵代数实现datalog查询的高效并行推理，在大规模图可达性和Freebase 15K上相比现有系统实现1到4个数量级加速。
2025-08-19 cs.AI cs.LO cs.SC
Defeasible Logic Programming: An Argumentative Approach
这里报告的工作介绍了可废止逻辑编程（DeLP），一种形式主义，结合逻辑编程和可废止论证的结果。DeLP提供了以弱规则的形式以声明的方式表示信息的可能性，以及用于证明蕴涵结论的可废止论证推理机制。在DeLP中，论证形式主义将用于在矛盾的目标之间做出决定。论证将得到论证的支持，而这些论证可能会被其他论证击败。一个查询q将成功时，有一个参数A的q是有保证的，即，参数A，支持q是发现不败的保证程序，实现了辩证分析。DeLP的可废止论证基础允许构建处理动态域中不完整和矛盾信息的应用程序。因此，所得到的方法是适合于代表代理的知识，并为代理提供一个基于论证的推理机制。
2003-02-20 cs.AI
Extending Complex Logical Queries on Uncertain Knowledge Graphs
Department of Mathematical Sciences, Tsinghua University, Beijing, China（清华大学数学科学系）；CSE, HKUST, HKSAR, China（香港科技大学计算机科学与工程系）；Department of Computer Science, Princeton University, Princeton, United States（普林斯顿大学计算机科学系）
针对不确定知识与现有一阶逻辑研究不匹配的问题，提出结合前向推理与后向校准的神经符号方法，用于解答不确定知识图谱上的软查询，兼具理论可靠性与更优性能。
2025-05-20 cs.AI
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
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
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
SLASH: Embracing Probabilistic Circuits into Neural Answer Set Programming
TU Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心 (hessian.AI)）
结合神经网络的鲁棒性和符号方法的表达性的目标重新点燃了对神经符号AI的兴趣。神经符号人工智能的最新进展通常考虑由不相交的神经和符号组件组成的专门定制的架构，因此没有表现出通过将它们集成到统一框架中可以实现的期望收益。我们介绍SLASH --一种新的深度概率程序设计语言（DPPL）。在其核心，SLASH由神经概率谓词（NPP）和逻辑程序组成，这些程序通过答案集编程联合起来。由NPP产生的概率估计充当逻辑程序和原始输入数据之间的绑定元素，从而允许SLASH回答任务相关的逻辑查询。这使得SLASH能够在一个统一的框架中优雅地整合符号和神经组件。我们评估SLASH的基准数据MNIST除了以及DPPL的新任务，如缺失数据预测和集合预测与国家的最先进的性能，从而显示我们的方法的有效性和通用性。
2021-11-23 cs.AI
From probability to causality in probabilistic logic programming
Ludwig-Maximilians-Universität München（慕尼黑大学）；Eberhard-Karls-Universität Tübingen（蒂宾根大学）；German University of Digital Science（德国数字科学大学）
该研究针对概率逻辑程序从数据学习时因果顺序不唯一的问题，结合贝叶斯网络关系推导条件并纳入因果对称约束，提出可验证干预语义的方法。
2026-08-10 cs.AI
Using Tabled Logic Programming to Solve the Petrobras Planning Problem
Charles University in Prague（布拉格查理大学）；The City University of New York（纽约市立大学）；Brooklyn College（布鲁克林学院）
制表已经使用了一段时间，通过记忆回答的查询来提高Prolog程序的效率。同样的想法可以自然地用于在搜索规划期间记住访问过的状态。在本文中，我们提出了一个规划器开发的Picat语言来解决巴西石油公司的规划问题。Picat是一种新型的Prolog类语言，它提供了模式匹配、确定性和非确定性规则，并将制表作为其核心建模和求解功能。我们使用巴西石油公司的问题来证明这些能力，其目标是计划使用容量有限的船只将货物从港口运输到平台。蒙特卡罗树搜索是迄今为止解决这个问题的最佳技术，我们将证明，通过使用制表，我们可以实现更好的运行时效率和更好的计划质量。
2014-05-11 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
A Compositional Atlas for Algebraic Circuits
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of São Paulo（圣保罗大学）；Arizona State University（亚利桑那州立大学）
本文从代数视角将多种推理查询统一为半环上基本算子的组合，并基于电路属性推导出通用可处理性条件，为组合推理分析提供蓝图。
2025-02-24 cs.AI cs.LG cs.LO
Explanation Generation for Multi-Modal Multi-Agent Path Finding with Optimal Resource Utilization using Answer Set Programming
Sabanci University（萨班哲大学）
多智能体路径寻找（MAPF）问题是一个组合搜索问题，其目的是为多个智能体（例如，机器人）在环境中（例如，自治仓库），使得没有两个代理彼此冲突，并且受到路径长度的一些约束。我们考虑MAPF的一般版本，称为mMAPF，其涉及多式联运模式（例如，由于速度约束）和不同类型资源的消耗（例如，电池）。mMAPF的实际应用需要灵活性（例如，解决mMAPF的变化）以及可解释性。我们早期对mMAPF的研究重点关注了之前的灵活性挑战。在这项研究中，我们专注于后者的可解释性的挑战，并介绍了一种方法，用于生成关于解决方案的可行性和最优性，解决方案的不存在性，以及对解决方案的观察查询的解释。我们的方法是基于答案集编程。本文件正在考虑被TPLP接受。
2020-08-08 cs.AI cs.LO cs.MA
ExplanationLP: Abductive Reasoning for Explainable Science Question Answering
University of Manchester（曼彻斯特大学）；Department of Computer Science（计算机科学系）
我们提出了一种新的方法来回答和解释多项选择科学问题的推理接地和抽象推理链。本文将问答问题归结为一个溯因推理问题，为每个选择构建合理的解释，然后选择具有最佳解释的候选者作为最终答案。我们的系统，elementation LP，elementary解释，通过构建一个加权图的相关事实为每个候选答案，并提取满足一定的结构和语义约束的事实。为了提取解释，我们采用了线性规划形式主义，旨在选择最佳的子图。图的加权函数由一组参数组成，我们可以微调这些参数以优化答案选择性能。我们在WorldTree和ARC-Challenge语料库上进行实验，以实证证明以下结论：（1）接地抽象推理链提供语义控制，以执行可解释的溯因推理（2）通过在类似设置中优于当代可解释和基于变换器的方法，以较少数量的参数进行学习的效率和鲁棒性（3）通过在一般科学问题集上优于SOTA可解释方法来实现普遍性。
2020-10-25 cs.AI cs.CL cs.IR
Automated Query Learning with Wikipedia and Genetic Programming
Aalto University School of Economics（阿尔托大学经济学院）
现有的信息检索系统大多是基于词袋模型的，没有配备公共世界知识。通过使用智能算法来生成搜索查询，已经朝着提高这种系统的效率进行了工作，然而，在将人类和社会层面的知识纳入查询的方向上没有进行太多的研究。本文是第一次尝试，这些信息被纳入使用维基百科语义的搜索查询。本文提出了一个基本的转变，从传统的基于令牌的查询，以概念为基础的查询，从而提高效率的信息检索系统。为了有效地处理自动查询学习问题，我们提出了基于维基百科的进化语义（Wiki-ES）框架，其中基于概念的查询学习使用共同进化的进化过程。学习概念为基础的查询，使用智能进化过程产生显着的改善性能，这是通过广泛的研究，使用路透社新闻专线文件。与其他信息检索系统的建议框架进行比较。基于概念的方法也已经在其他信息检索系统上实现，以证明从基于标记的查询到基于概念的查询的转换的有效性。
2010-12-03 cs.AI cs.IR cs.LG
Complex Coordinate-Based Meta-Analysis with Probabilistic Programming
INRIA Saclay（法国国家信息与自动化研究所萨克雷研究中心）；CEA（法国原子能委员会）
随着发表的功能性磁共振成像（fMRI）研究越来越多，元分析数据库和模型已成为脑图谱研究的一个组成部分。通过使用自然语言处理（NLP）技术自动提取报告的峰值激活和术语关联的坐标，构建基于坐标的荟萃分析（CBMA）数据库。在这些数据库上解决基于术语的查询使得获得与特定认知过程相关的大脑统计图成为可能。然而，使用像Neurosynth这样的工具，只有单项查询才能得到统计上可靠的结果。当解决更丰富的查询时，来自数据库的研究太少有助于统计估计。我们设计了一个概率域特定语言（DSL）站在数据库和它的概率扩展之一，CP逻辑，表达和解决丰富的基于逻辑的查询。我们将CBMA数据库编码为概率程序。使用其贝叶斯网络翻译的联合分布，我们表明，该程序上的查询的解决方案计算体素激活的正确概率分布。我们解释了最近提升的查询处理算法如何能够扩展到大型神经成像数据的大小，其中最先进的知识编译（KC）技术无法足够快地解决实际应用中的查询。最后，我们介绍了一种方法，相关的研究，以条款的概率，导致更好的解决方案，更小的数据库上的合取查询。我们展示了两项合取查询的结果，无论是在模拟荟萃分析数据库和广泛使用的Neurosynth数据库。
2021-01-22 cs.AI cs.PL
Whittemore: An embedded domain specific language for causal programming
University of Maryland, College Park（马里兰大学帕克分校）；Department of Computer Science（计算机科学系）
本文介绍了Whittemore，因果规划语言。因果编程基于结构因果模型理论，由两个主要操作组成：识别，找到计算因果查询的公式，以及估计，应用公式将概率分布转换为其他概率分布。因果编程提供了抽象来声明模型，查询和分布，语法类似于标准数学符号，并进行严格的因果推理，而不需要底层算法的详细知识。因果推理与真实数据的例子，以及讨论的实施和未来扩展的可能性。
2018-12-21 cs.AI cs.PL stat.ME
Users Constraints in Itemset Mining
CNRS（法国国家科学研究中心）；University of Montpellier（蒙彼利埃大学）；University of Oran 1（奥兰第一大学）；CRIL, University of Artois（阿尔图瓦大学CRIL实验室）
发现重要项集是数据采掘的基本问题之一。最近的研究表明，约束编程是解决数据采掘任务的一种灵活的方法。使用约束编程方法，我们可以很容易地表达和有效地回答用户对项目的约束查询。然而，在许多实际情况下，查询也可能表达用户对数据集本身的约束。例如，请求数据集特定部分中的特定项集。本文提出了一个通用的约束规划模型，能够处理任何类型的查询的项目或数据集的项目集挖掘。
2018-02-08 cs.AI cs.DB
