Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via Alternate Meta-learning
Southeast University(东南大学);Southeast University-Monash University Joint Research Institute(东南大学-蒙纳士大学联合研究院);Monash University(蒙纳士大学)
复杂问答的一种引人注目的方法是将问题转换为一系列动作,然后可以在知识库上执行这些动作以产生答案,也就是程序员-解释器方法。使用与测试问题类似的训练问题,元学习使程序员能够适应看不见的问题,以快速解决潜在的分布偏差。然而,这是以手动标记类似问题来学习检索模型为代价的,这是繁琐且昂贵的。在本文中,我们提出了一种新的方法,自动学习检索模型交替与程序员从弱监督,即,系统在生成的答案方面的性能。据我们所知,这是第一次尝试与程序员联合训练检索模型。我们的系统导致国家的最先进的性能在一个大规模的任务,复杂的问答知识库。我们已经在https://github.com/DevinJake/MARL上发布了我们的代码。
2020-10-29 cs.AI cs.CL
Leveraging Large Language Models in Code Question Answering: Baselines and Issues
Innopolis University(因诺波利斯大学)
本文提出通过微调大型语言模型于统一Python问答数据集,并测试不同预处理方式,实现源代码问答,发现语法校正提升指标,但公共数据集质量差。
2024-11-05 cs.AI cs.CL
Leveraging Synthetic Data for Question Answering with Multilingual LLMs in the Agricultural Domain
CSIR-Central Scientific Instruments Organisation, India(印度CSIR-中央科学仪器组织);Academy of Scientific and Innovative Research (AcSIR), Ghaziabad, U.P, India(印度科学与创新研究院(AcSIR));School of Mathematical and Computational Sciences, Massey University, New Zealand(梅西大学数学与计算科学学院)
本研究针对通用多语言LLMs在农业领域问答中精准性不足的问题,利用印度农业文档生成多语言合成数据集微调LLMs,显著提升了模型的事实性、相关性与农业共识性。
2026-08-04 cs.AI cs.CL
Leveraging Medical Visual Question Answering with Supporting Facts
IBM Research AI, Almaden Research Center(IBM研究AI,阿尔马登研究中心)
在这篇工作笔记论文中,我们描述了IBM Research AI(Almaden)团队参与ImageCLEF 2019 VQA-Med竞赛的情况。该挑战包括四个基于放射学图像的问答任务。成像方式、器官和疾病类型的多样性与小的不平衡训练集相结合,使其成为一个高度复杂的问题。为了克服这些困难,我们实现了一个模块化的流水线架构,利用迁移学习和多任务学习。我们的研究结果导致了一种名为支持事实网络(SFN)的新模型的发展。SFN背后的主要思想是交叉利用来自上游任务的信息,以提高下游任务的准确性。这种方法显著提高了验证集的得分(F-1得分提高了18分)。最后,我们提交了四个运行的竞争,并排名第七。
2019-05-28 cs.AI cs.CL cs.CV
Leveraging Large Language Model and Story-Based Gamification in Intelligent Tutoring System to Scaffold Introductory Programming Courses: A Design-Based Research Study
University of Sheffield(谢菲尔德大学)
编程技能正在迅速成为许多教育途径和职业机会的必要条件。然而,对于许多国际学生来说,由于语言的复杂性,缺乏先前的编程知识以及语言和文化障碍,传统的入门编程课程教学方法可能是一个重大挑战。本研究探讨了大语言模型和游戏化如何帮助中国学生在入门编程课程中学习编程并增加归属感。在这个项目中,开发了一个游戏化智能辅导系统,以适应中国国际学生的学习需求,并提供脚手架,以支持他们在入门计算机编程课程的成功。
2023-02-25 cs.AI cs.HC
Leveraging Large Language Models for Multiple Choice Question Answering
Brigham Young University(杨百翰大学);University of Southern California(南加州大学)
虽然像GPT-3这样的大语言模型(LLM)在零次、一次和Few-Shot设置下的多项选择问答(MCQA)任务上取得了令人印象深刻的结果,但它们通常落后于MCQA最新技术水平(SOTA)。MCQA任务传统上被呈现给LLM,如完形填空任务。LLM以问题为条件(没有相关的答案选项),其选择的选项是归一化后(长度等)分配的最高概率。一种更自然的提示方法是联合向LLM呈现问题和答案选项,并让它输出符号(例如,“A”)与其选择的答案选项相关联。这种方法允许模型显式地比较答案选项,降低计算成本,并减轻标记化方案和答案选项表示对答案选择的影响。为了使自然方法有效,它所使用的LLM必须能够将答案选项与代表它们的符号相关联。LLM需要我们所说的多选择符号绑定(MCSB)能力。这种能力因型号而异。我们发现,在20个不同的数据集上,具有高MCSB能力的模型使用自然方法比传统方法表现得更好,并且在很大程度上缩小了与SOTA的差距,这表明LLM的MCQA能力以前被低估了。
2023-03-17 cs.CL cs.LG
Leveraging Large Language Models for Concept Graph Recovery and Question Answering in NLP Education
University of Tokyo(东京大学);Smartor Inc.(思玛特公司);Yale University(耶鲁大学);INRIA(法国国家信息与自动化研究所);Duke-NUS Medical School(杜克-新加坡国立大学医学院)
本文研究大型语言模型在NLP教育中的概念图恢复与问答能力,提出经专家验证的TutorQA基准和结合概念图的CGLLM流水线,在零样本概念图恢复和问答任务上均取得显著F1提升。
2024-02-22 cs.CL
Leveraging Video Descriptions to Learn Video Question Answering
National Tsing Hua University(台湾清华大学);Stanford University(斯坦福大学)
我们提出了一种可扩展的方法来学习基于视频的问答(QA):回答一个“自由形式的自然语言问题”的视频内容。我们的方法自动收集了大量在线免费提供的视频和描述。然后,大量的候选QA对自动生成的描述,而不是手动注释。接下来,我们使用这些候选QA对来训练许多基于视频的QA方法,这些方法是从MN(Sukhbaatar et al. 2015)、VQA(Antol et al. 2015)、SA(Yao et al. 2015)、SS(Venugopalan et al. 2015)扩展而来的。为了处理非完美的候选QA对,我们提出了一个自定进度的学习过程来迭代地识别它们并减轻它们在训练中的影响。最后,我们评估手动生成的基于视频的QA对的性能。结果表明,我们的自定进度的学习过程是有效的,和扩展的SS模型优于各种基线。
2016-12-19 cs.AI cs.CV cs.MM
Domain Specific Question Answering Over Knowledge Graphs Using Logical Programming and Large Language Models
University at Buffalo(布法罗大学)
本研究针对领域特定知识图谱问答的特殊性,将Prolog逻辑编程与大语言模型结合生成程序推导答案,在MetaQA数据集上仅用少量标注数据即实现所有测试问题的准确回答,提供了可解释且鲁棒的解决方案。
2023-08-23 cs.CL cs.LG
RAG-VR: Leveraging Retrieval-Augmented Generation for 3D Question Answering in VR Environments
Kennesaw State University(肯尼索州立大学)
针对VR上下文局部化、个性化导致通用LLMs效果受限的问题,提出整合RAG的首个VR 3D问答系统RAG-VR,通过局部知识库检索增强LLM,提升回答准确率17.9%-41.8%,降低延迟34.5%-47.3%。
2025-04-14 cs.AI cs.HC cs.IR
Using Answer Set Programming in an Inference-Based approach to Natural Language Semantics
在基于推理的自然语言语义方法中使用答案集编程
2006-07-18 cs.AI cs.CL
onlineSPARC: a Programming Environment for Answer Set Programming
Tufts University(塔夫茨大学);Texas Tech University(得克萨斯理工大学)
逻辑编程的最新进展(例如,答案集编程范例的发展)使得将其教授给普通大学生甚至初中/高中学生成为可能。鉴于这些学生接触计算机科学的机会有限,下载、安装和使用编写逻辑程序的工具的复杂性可能是逻辑编程接触更广泛受众的主要障碍。我们开发了一个在线的答案集编程环境,一个自包含的文件系统和一个简单的界面。它允许用户键入/编辑逻辑程序,并在程序上执行几项任务,包括对程序进行查询,获取程序的答案集,以及基于程序的答案集生成绘图/动画。
2018-09-21 cs.AI
A primer on Answer Set Programming
一本关于答案集编程的语法和语义的介绍,作为讲义给正在学习人工智能或逻辑编程课程的研究生。
2005-08-23 cs.AI cs.LO
Fages' Theorem and Answer Set Programming
我们推广了Francois Fages的一个定理,该定理描述了以否定为失败的逻辑程序的完成语义和答案集语义之间的关系。对这种关系的研究对于答案集编程的出现非常重要。只要这两种语义等价,答案集就可以通过可满足性求解器来计算,而不需要使用诸如models和dlv之类的答案集求解器。作为一个例子,讨论了由于Ilkka Niemperor块世界的逻辑编程表示。
2000-03-09 cs.AI
Proceedings of the twelfth Workshop on Answer Set Programming and Other Computing Paradigms 2019
这是2019年6月3日在美国费城举行的第十二届回答集编程和其他计算范式研讨会(ASPOCP)的会议记录。
2019-11-21 cs.AI
Open Answer Set Programming with Guarded Programs
开放答案集编程(Open answer set programming,OASP)是答案集编程的一个扩展,其中可以使用程序常量的任意超集来建立程序。我们定义了一个不动点逻辑(FPL)扩展克拉克的完成,使开放的答案集对应于模型的FPL公式,并确定一个语法子类的程序,称为(松散)守卫程序。而推理与一般程序在OASP是不可判定的,FPL翻译(松散)保护程序属于可判定(松散)保护的不动点逻辑(μ(L)GF)。此外,我们减少正常的封闭ASP松散的守护OASP,使第一次,一个答案集的语义由muLGF公式的表征。我们进一步扩展了开放的答案集语义的程序与广义文字。这样的广义程序(gP)具有有趣的性质,例如,表达无穷公理的能力。我们限制语法的gPs,使规则和广义文字都受到保护。通过转换到保护不动点逻辑,我们推导出了在这种保护gPs(GgPs)中可满足性检验的2-exptime-完全性。约束GGP是具有exptime完全可满足性检查的受限GGP,但仍具有足够的表达能力以最佳地模拟计算树逻辑(CTL)。我们将Datasheet lite程序翻译为GGP,在开放的答案集语义,无替代的muGF和Datasheet lite下建立GGP的等价性。
2007-02-25 cs.AI
Fuzzy Aggregates in Fuzzy Answer Set Programming
模糊回答集编程是一个描述性的框架,用于表示和推理模糊环境中的知识。然而,在具有模糊答案集语义的选言模糊逻辑程序(DFLP)中,模糊集合的不可用性阻碍了许多有趣问题的自然和简洁的表示。在本文中,我们扩展DFLP允许任意模糊聚集。我们定义了DFLP的模糊答案集语义与任意模糊聚集,包括单调,反单调,和非单调模糊聚集。我们表明,建议的模糊答案集语义既包含了原始的模糊答案集语义DFLP和经典的析取逻辑程序与经典的聚集的经典答案集语义,从而包含了经典的析取逻辑程序的经典答案集语义。我们表明,建议的模糊答案集的DFLP与模糊聚集是最小的模糊模型,因此是不可比的,这是一个重要的属性为非单调模糊推理。
2013-04-05 cs.AI
Program Induction by Rationale Generation : Learning to Solve and Explain Algebraic Word Problems
DeepMind;University of Oxford(牛津大学)
解决代数应用题需要执行一系列算术运算-一个程序-以获得最终答案。然而,由于程序可以是任意复杂的,直接从问答对中归纳它们是一个巨大的挑战。为了使这项任务更加可行,我们通过生成答案推理、自然语言序列和人类可读的数学表达式来解决这些问题,这些表达式通过一系列小步骤得出最终答案。虽然基本原理没有明确地指定程序,但它们通过中间里程碑为它们的结构提供了一个脚手架。为了评估我们的方法,我们创建了一个新的100,000个样本的问题,答案和理由数据集。实验结果表明,间接监督程序学习的答案理据是一个很有前途的战略,诱导算术程序。
2017-10-23 cs.AI cs.CL cs.LG
An Application of Proof-Theory in Answer Set Programming
University of Kentucky(肯塔基大学);University of California(加利福尼亚大学)
我们将证明理论技术应用于答案集编程。主要结果包括:1.逻辑程序中Gelfond-Lifschitz算子连续性的一个刻画2.逻辑程序的稳定模型的一种命题表征(不涉及循环公式)。
2010-01-11 cs.AI
Generating explanations for answer set programming applications
New Mexico State University(新墨西哥州立大学);Saint Joseph’s University(圣约瑟夫大学)
我们提出了一个解释系统的应用程序,利用答案集编程(ASP)。给定一个程序P,一个P的答案集A,以及程序P中的一个原子a,我们的系统生成所有的解释图,这些解释图有助于解释为什么a在给定程序P和答案集A的情况下为真(或假)。我们说明了该系统的功能,使用一些例子从文献。
2021-04-18 cs.AI
System Predictor: Grounding Size Estimator for Logic Programs under Answer Set Semantics
University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
答案集编程是一种面向解决困难的组合搜索问题的声明式逻辑编程范式。虽然不同的逻辑程序可以编码相同的问题,但它们的性能可能会有很大差异。识别程序的哪个版本性能最好并不总是容易的。我们提出了系统预测(及其算法后端)估计接地大小的程序,一个度量,可以影响系统处理程序的性能。我们评估预测的影响时,作为一个指导重写产生的答案集编程重写工具投影仪和LPopt。结果表明这种方法的潜力。
2023-03-29 cs.AI
Anytime Computation of Cautious Consequences in Answer Set Programming
University of Calabria(卡拉布里亚大学)
在回答集编程(ASP)中,查询回答通常通过计算逻辑程序的谨慎结果(的子集)来解决。这个任务在计算上是非常困难的,并且存在计算谨慎后果在合理时间内不可行的程序。然而,目前的ASP求解器只在计算结束时才产生(整个)一组谨慎的后果。本文报告了计算谨慎后果的策略,还介绍了随时算法能够产生声音的答案在计算过程中。
2014-09-15 cs.AI
Controlled Natural Language Processing as Answer Set Programming: an Experiment
Macquarie University(麦考瑞大学)
大多数受控自然语言(CNL)都是在依赖于不同软件组件的流水线架构的帮助下处理的。在本文中,我们以实验的方式研究了答案集编程(ASP)如何适合作为解析CNL、推导所得语法树的正式表示以及使用该表示进行推理的统一框架。我们开始从一个列表中的输入标记在ASP符号,并显示如何输入可以转换成一个语法树使用ASP语法,然后到具体的ASP规则的形式的一组事实。这些事实然后由ASP元解释器处理,允许我们推断新知识。
2014-07-15 cs.AI cs.CL
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
A Program-Level Approach to Revising Logic Programs under the Answer Set Semantics
Simon Fraser University(西蒙弗雷泽大学)
提出了一种基于回答集语义的逻辑程序修改方法。对于程序P和Q,目标是确定对应于P乘以Q的修正的答案集,记为P * Q。经典(AGM)修正的一个基本原则,也是指导这里方法的原则,是成功假设。在年度股东大会修订中,这规定A在K * A中。通过与成功假设的类比,对于程序P和Q,这意味着Q的答案集在某种意义上将包含在P * Q的答案集中。其基本思想是,对于P * Q,Q的三值答案集,包括正面和负面的文字,首先确定。正文字构成了一个规则的答案集,而否定文字构成了从Q产生答案集所需的最小naf文字集。这些文字被传播到程序P,以及那些不是由这些文字决定的Q规则。该方法与更新逻辑程序的工作有两个主要方面的不同。首先,我们保证修改的逻辑程序具有较高的优先级,从而满足成功假设;第二,对于修正P * Q中隐含的偏好,程序Q作为一个整体优先于P,不像更新逻辑程序,因为Q的答案集被传播到P。我们证明了AGM假设的一个核心组被满足,正如已经为更新逻辑程序提出的假设一样。
2010-07-28 cs.AI
Possibilistic Answer Set Programming Revisited
University of Washington(华盛顿大学);Vrije Universiteit Brussel(布鲁塞尔自由大学);Universiteit Gent(根特大学)
可能性答案集编程(PASP)通过为每个规则附加一定程度的确定性来扩展答案集编程(ASP)。虽然从应用程序的角度来看,这样的扩展是重要的,但现有的语义并没有很好的动机,并且并不总是产生直观的结果。为了开发一个更合适的语义,我们首先介绍了一个典型的ASP程序的答案集的可能性逻辑方面的表征,其中ASP程序指定了一组约束的可能性分布。然后自然地将这种特征推广到定义PASP程序的答案集。我们还提供了一个语法对应,导致一个可能性的推广著名的Gelfond Lifschitz约简,我们展示了我们的框架可以很容易地使用标准的ASP求解器来实现。
2012-03-15 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
Probabilistic Inductive Logic Programming Based on Answer Set Programming
National University of Ireland, Galway(爱尔兰国立大学戈尔韦)
提出了一种新的基于回答集编程(ASP)的概率知识表达形式语言。它允许注释一阶公式以及ASP规则和具有概率的事实,并从数据中学习这些权重(参数估计)。加权公式给出了一个语义方面的软,硬约束,决定了概率分布的答案集。在相关的方法相比,我们的方法推理可选地利用所谓的精简XOR约束,以减少计算的答案集的数量。我们的方法是原型实现。举例说明了引入的概念,并指出了未来研究的问题和主题。
2014-05-04 cs.AI
Leveraging Language to Learn Program Abstractions and Search Heuristics
MIT(麻省理工学院);Cornell University(康奈尔大学);Center for Brains, Minds and Machines (CBMM) - MIT(麻省理工学院大脑、心智与机器中心)
归纳程序合成,或从期望行为的示例中推断程序,为构建可解释的、鲁棒的和可推广的机器学习系统提供了通用范例。有效的程序合成取决于两个关键要素:一个强大的函数库,用于构建程序;一个有效的搜索策略,用于查找解决给定任务的程序。我们介绍LAPS(语言的抽象和程序搜索),一种技术,使用自然语言的注释,以指导联合学习的图书馆和神经引导的搜索模型的合成。当集成到一个国家的最先进的图书馆学习系统(DreamCoder),LAPS产生更高质量的图书馆,并提高搜索效率和泛化的三个领域-字符串编辑,图像合成和抽象推理的场景-即使在测试时没有自然语言提示。
2022-05-03 cs.AI cs.CL cs.LG
Functional Stable Model Semantics and Answer Set Programming Modulo Theories
School of Computing, Informatics and Decision Systems Engineering(计算、信息与决策系统工程学院)
本文探讨了在答案集编程中整合'intensional'函数的作用,展示了功能稳定模型语义在ASPMT框架中的关键作用,并证明了紧致ASPMT程序可转换为SMT实例。
2026-05-10 cs.AI
aspps --- an implementation of answer-set programming with propositional schemata
我们提出了一个答案集编程范例的实现,称为aspps(答案集编程与命题模式的缩写)。系统aspps是为处理PS+理论而设计的。它包括两个基本模块。第一个模块psgrnd为PS+理论奠定了基础。第二个模块,称为aspps,是一个求解器。它计算地面PS+理论的模型。
2001-07-19 cs.AI cs.LO
Proceedings of the eleventh Workshop on Answer Set Programming and Other Computing Paradigms 2018
这是2018年7月18日在英国牛津举行的第十一届回答集编程和其他计算范式研讨会(ASPOCP)的会议记录。
2019-11-21 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
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
Guarded resolution for answer set programming
University of Kentucky(肯塔基大学);University of California at San Diego(加州大学圣地亚哥分校)
我们描述了一个变种的决议规则的证明,并表明它是完整的稳定语义的逻辑程序。我们展示了这一结果的应用。
2010-02-21 cs.AI
Probability Aggregates in Probability Answer Set Programming
概率答案集编程是一种声明式编程,已被证明可以有效地表示和推理各种概率推理任务。然而,在析取混合概率逻辑程序(DHPP)语言中,缺乏概率集合,例如{ \em期望值},使得许多有趣的问题不能自然和简洁地表示。在本文中,我们扩展DHPP允许任意概率聚合。我们引入两种类型的概率聚合;一种类型计算经典聚合的期望值,例如,最小值的期望值,以及计算经典聚合的概率的类型,例如,值之和的概率。此外,我们定义了一个概率答案集语义的DHPP与任意概率聚合,包括单调,反单调,和非单调概率聚合。我们发现,建议的概率答案集语义的DHPP既包含了原来的概率答案集语义的DHPP和经典的析取逻辑程序与经典的聚集的经典答案集语义,从而包含了经典的答案集语义的原始析取逻辑程序。我们表明,建议的概率回答集的DHPP与概率聚集的最小概率模型,因此是不可比的,这是一个重要的属性为非单调概率推理。
2013-04-05 cs.AI
Grounding Bound Founded Answer Set Programs
National ICT Australia(澳大利亚国家信息与通信技术研究院);University of Melbourne(墨尔本大学)
Bound Founded Answer Set Programming(英语:Bound Founded Answer Set Programming)是ASP的一个扩展,它将稳定模型语义扩展到数值变量。虽然BFASP的理论是根据基本规则定义的,但在实践中,BFASP程序被编写为复杂的非基本表达式。BFASP的扁平化(Flattening)是一种用于将语言的任意表达式简化为一个小的、定义良好的原语表达式集的技术。在本文中,我们首先展示了我们如何可以扁平化任意BFASP规则表达式,给出等价的BFASP程序。接下来,我们将ASP中使用的自底向上的基础技术和魔集变换扩展到BFASP程序中。我们的实现表明,对于BFASP问题,这些技术可以显着减少地面程序的大小,并提高后续解决。
2014-05-14 cs.AI
Answer Set Programming Made Easy
University of Nebraska at Omaha(内布拉斯加大学奥马哈分校);University of Potsdam(波茨坦大学)
我们从答案集编程的民间传说中汲取了一个想法,即选择,完整性约束以及受限规则格式对于答案集编程来说已经足够了。我们在这里和那里的逻辑的背景下详细阐述了这一想法的基础,并展示了它如何可以从逻辑原则的扩展定义。然后,我们提供了一个朴素的形式的逻辑程序,可以作为一个标准形式的逻辑程序类似于合取范式在经典逻辑。最后,我们采取的关键思想,并提出了一个建模方法,为ASP初学者,并说明它可以如何使用。
2021-11-24 cs.AI
Translating LPOD and CR-Prolog2 into Standard Answer Set Programs
Arizona State University(亚利桑那州立大学)
具有有序析取的逻辑程序(LPOD)是标准答案集程序的扩展,它利用有序析取的结构来处理偏好; CR-Prolog 2是标准答案集程序的扩展,它具有一致性恢复规则和类LPOD的有序析取。我们提出减少这些语言到标准的ASP语言,这给了我们一个替代的方式来理解扩展的标准ASP语言。
2018-05-02 cs.AI
Constraint Answer Set Programming: Integrational and Translational (or SMT-based) Approaches
University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
约束回答集编程(英语:Constraint answer set programming,缩写为CASP)是一种自动推理的混合方法,它综合了回答集编程、约束处理和可满足性模理论等不同研究领域的进展。约束答案集编程展示了有希望的结果,包括开发了大量的求解器:acsolver,clingcon,ezcsp,idp,inca,dingo,mingo,aspmt,clingo[l,dl]和ezsmt。它为声明式编程应用程序(如解决复杂的训练调度问题)开辟了新的视野。系统的设计,以找到解决方案,约束答案集程序可以分组,根据他们的建设,我们称之为,整合或翻译的方法。本文的重点是一个概述的关键成分的设计约束答案集求解器之间的区别和平行的集成和翻译的方法。本文还提供了一个一瞥,其用户开发的程序,利用CASP编码的旅行推销员问题的说明。此外,我们把CASP技术在地图上的自动推理同行之间,以及讨论未来的可能性,CASP的发展。
2021-07-17 cs.AI
Answer-Set Programs for Repair Updates and Counterfactual Interventions
Skema Business School(SKEMA商学院)
我们简要地描述-主要是通过非常简单的例子-不同种类的答案集程序的注释,已提出指定:数据库修复和一致的查询回答;保密视图和查询评估与他们;反事实的干预数据库中的因果关系;和反事实为基础的解释,在机器学习。
2022-09-25 cs.AI cs.DB cs.LO
Solving Gossip Problems using Answer Set Programming: An Epistemic Planning Approach
Sabanci University(萨班哲大学);Institut de Recherche en Informatique de Toulouse(图卢兹信息学研究所);Université Paul Sabatier(保罗·萨巴蒂埃大学)
我们调查使用答案集编程来解决各种各样的八卦问题,通过将它们建模为认知规划问题。
2020-09-22 cs.AI cs.LO
Belief Base Revision for Further Improvement of Unified Answer Set Programming
Indian Statistical Institute(印度统计研究所);Jadavpur University(贾达普大学)
一个信念基础的修订。信念基础是使用统一答案集程序,这是能够表示不精确和不确定的信息,并与他们进行非单调推理。基本修订操作符是使用删除集修订策略开发的。该算子的特征在于关于基本修正算子满足的假设。
2020-11-23 cs.AI
Preferred Answer Sets for Ordered Logic Programs
我们扩展答案集语义处理不一致的程序(包含经典否定),通过找到一个“最佳”的答案集。在不一致的程序中,规则的偏序是很自然的,表示满足某些规则的偏好,可能以违反不太重要的规则为代价。我们表明,这样的规则顺序诱导一个自然的顺序扩展的答案集,我们称之为首选答案集的最小元素。我们描述了所得到的语义的表达性,并表明它可以模拟否定失败,析取和其他一些形式主义,如逻辑程序有序析取。该方法被证明是有用的,在几个应用领域,例如修复数据库,其中最小的维修对应于首选的答案集。逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2004-07-19 cs.AI cs.LO
Achievements in Answer Set Programming
本文介绍了一种方法的答案集编程(ASP)的方法,可以促进编码的设计,易于理解和可证明是正确的。在这种方法下,在将一条规则或一小组规则附加到新出现的程序之后,我们会包含一个注释,说明到目前为止已经“实现”了什么。这种策略允许我们通过以数学精确的方式描述程序中小部分的角色来阐述我们对程序设计的理解。
2019-08-07 cs.AI
Translating Answer-Set Programs into Bit-Vector Logic
Aalto University School of Science(阿尔托大学理学院)
答案集编程(ASP)是一种用于声明性问题解决的范例,其中问题首先被形式化为规则集,即,答案集程序,在一个统一的方式,然后通过计算程序的答案集解决。可满足性模理论(SMT)框架遵循类似的建模哲学,但语法是基于命题逻辑的扩展,而不是规则。最近,提供了从答案集程序到差分逻辑的翻译-使特定SMT求解器能够用于答案集的计算。在本文中,翻译的另一个SMT片段,即固定宽度的位向量理论的基础上进行了修改。因此,甚至可以利用更多的SMT求解器来计算答案集。初步的实验比较的结果也报告。他们建议的性能水平,这是通过不同的逻辑实现类似。
2011-08-30 cs.AI cs.LO
NeurASP: Embracing Neural Networks into Answer Set Programming
Arizona State University(亚利桑那州立大学);Samsung Research(三星研究院)
本文提出 NeurASP 框架,将神经网络输出作为回答集程序原子事实的概率分布,从而贯通符号推理与亚符号感知,并支持利用 ASP 规则约束改进神经网络训练。
2023-07-15 cs.AI cs.LG cs.SC
Historical Review of Variants of Informal Semantics for Logic Programs under Answer Set Semantics: GL'88, GL'91, GK'14, D-V'12
University of Nebraska Omaha(内布拉斯加大学奥马哈分校)
该研究对回答集语义下逻辑程序的非形式语义变体做历史综述,以统一术语梳理相关内容并将其对应到两大知识表示与推理范式,成果正于TPLP期刊审议。
2024-07-09 cs.AI
SMT-based Constraint Answer Set Solver EZSMT+
University of Maryland, College Park(马里兰大学帕克分校);University of Nebraska at Omaha(内布拉斯加大学奥马哈分校)
约束回答集编程将回答集编程与约束处理相结合。系统EZSMT+是一个约束答案集编程工具,利用可满足性模理论求解器进行搜索。它的理论基础是对Niemela关于逻辑程序的回答集的水平排序的刻画的推广。
2019-06-03 cs.AI cs.LO
Leveraging Causal Inference for Explainable Automatic Program Repair
Ping An Technology (Shenzhen) Co., Ltd.(平安科技(深圳)有限公司)
深度学习模型在自动程序修复方面取得了重大进展。然而,这些方法的黑箱性质限制了它们的实际应用。为了解决这个问题,本文提出了一种可解释的方法,程序修复的基础上的序列到序列模型的因果推理和我们的方法被称为CPR,短期因果程序修复。我们的CPR可以在决策过程中生成解释,它由因果相关的输入输出令牌组组成。首先,我们的方法推断这些关系查询模型与输入干扰数据增强。其次,它从响应中生成令牌图,并解决分区问题以选择最相关的组件。在Java、C、Python和JavaScript四种程序设计语言上的实验表明,CPR可以生成合理解释的因果图,提高程序自动修复中的错误修复性能。
2022-06-06 cs.AI cs.CL cs.SE
Sketched Answer Set Programming
KU Leuven(鲁汶大学);LIRMM CNRS(法国国家科学研究中心蒙彼利埃计算机、机器人与微电子实验室)
答案集编程(ASP)是一个强大的建模形式主义的组合问题。然而,编写ASP模型并不是一件小事。我们提出了一种新的方法,称为草图答案集编程(SkASP),旨在支持用户解决这个问题。用户编写一个ASP程序,同时用问号标记不确定的部分。此外,用户还提供了所需程序行为的一些正面和负面示例。将绘制好的模型改写成ASP程序,用传统方法求解。其结果是,用户获得一个功能和可重用的ASP程序建模她的问题。我们评估我们的方法21个著名的难题和组合问题的启发卡普的21个NP完全问题,并展示了一个基于ASP的数据库应用程序的用例。
2018-08-22 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
aspcud: A Linux Package Configuration Tool Based on 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)
介绍了基于Answer Set Programming的Linux软件包配置工具aspcud。特别是,我们详细介绍了aspcud的预处理器把一个CUDF规范成一组逻辑事实。
2011-09-01 cs.AI cs.LO
Technical Report: Inconsistency in Answer Set Programs and Extensions
Institut für Logic and Computation(逻辑与计算研究所);Technische Universität Wien(维也纳工业大学)
答案集编程(ASP)是一种基于非单调逻辑程序的著名问题求解方法。HEX程序通过外部原子扩展ASP,用于访问任意外部信息,这些信息可以引入输入程序中没有的值。在这项工作中,我们考虑不一致的ASP和HEX程序,即,没有答案的程序。我们研究不一致的特征,介绍了一种新的概念,解释不一致的输入事实,分析推理任务的复杂性,不一致分析的背景下,计算不一致的原因和技术。这一理论工作的动机是两个具体的应用程序,我们也提出。第一个是新的建模技术的查询回答子程序作为一个方便的替代众所周知的饱和技术。第二个应用程序是一个新的评估算法的HEX程序的基础上冲突驱动的学习程序具有多个组件:而对于某些程序类以前的技术遭受评估瓶颈,新的方法在我们的实验中表现出显着的,潜在的指数加速。由于众所周知的ASP扩展,如约束ASP和DL-程序对应于特殊情况下的HEX,所有提出的结果是有趣的超出了具体的形式主义。
2018-05-31 cs.AI