Exploiting Partial Knowledge in Declarative Domain-Specific Heuristics for ASP
Siemens AG Österreich(西门子奥地利股份公司);Alpen-Adria-Universität(阿尔卑斯-亚德里亚大学);Technische Universität Wien(维也纳工业大学);Aalto University(阿尔托大学)
特定领域算法是有效解决组合问题的一种重要技术。我们提出了一种新的语义声明规范的领域特定的问答集编程(ASP)。基于部分解决方案的决策过程是现有领域特定算法的常见成分,例如,用于将尚未放置的物品放置在装箱中。因此,在我们的新语义否定失败和聚集在启发式条件下进行评估的部分求解器状态。最先进的求解器不允许这样的声明性规范。我们的实现在懒惰接地ASP系统Alpha支持启发式指令下的语义。通过这种方式,我们还提供了第一个实现,用于将声明式指定的特定于域的语法整合到延迟接地设置中。实验证实,ASP解决与懒惰接地和我们的新的算法相结合,可以解决工业规模的问题的重要组成部分。
2019-09-18 cs.AI cs.LO
miniCodeProps: a Minimal Benchmark for Proving Code Properties
Carnegie Mellon University(卡内基梅隆大学)
研究当前神经定理证明器自动验证简单程序的能力,提出包含201个Lean程序规范的miniCodeProps基准,发现现有最先进LLM证明器在中等和困难属性上几乎完全失败。
2024-10-10 cs.AI cs.LG cs.SE
A Note on Semantic Web Services Specification and Composition in Constructive Description Logics
Università degli Studi dell’Insubria(因苏布里亚大学)
语义Web的思想是用计算机可解释的描述来注释Web内容和服务,目的是使目前由人类用户执行的许多任务自动化。在Web服务的上下文中,最有趣的任务之一是它们的组合。在本文中,我们正式这个问题的框架内的建设性描述逻辑。特别是,我们提出了一个声明性的服务规约语言和演算的服务组合。我们通过一个例子表明如何使用这种演算来定义组合Web服务,我们讨论了自动服务合成的问题。
2010-07-14 cs.AI cs.LO
Enumerating Minimal Unsatisfiable Cores of LTLf formulas
University of Calabria(卡拉布里亚大学);University of Milano-Bicocca(米兰比可卡大学)
针对有限轨迹线性时序逻辑(LTLf)的不可行性解释需求,提出将LTLf公式编码为回答集编程(ASP)规范、利用ASP极小不可满足子集对应原公式极小不可满足核的枚举方法,在基准测试中取得良好性能。
2024-09-14 cs.AI cs.LO
ASP-Bench: From Natural Language to Logic Programs
Algorithms and Complexity Group TU Wien(算法与复杂性组维也纳技术大学)
ASP-Bench通过自然语言到逻辑程序的转换基准,评估了基于ReAct框架的代理方法,揭示了建模难度的多维因素。
2026-02-01 cs.AI cs.CL cs.LO
Specification mining and automated task planning for autonomous robots based on a graph-based spatial temporal logic
University of Notre Dame(圣母大学)
我们的目标是使自主机器人能够从演示视频中学习新技能,并使用这些新学到的技能来完成重要的高级任务。开发这种自主机器人的目标涉及到知识表示、规范挖掘和自动任务规划。对于知识表示,我们使用基于图的时空逻辑(GSTL)来捕获演示视频所演示的相关技能的时空信息。我们设计了一个规范挖掘算法,通过归纳构造空间项和时间公式,从演示视频中生成一组参数化的GSTL公式。从规范挖掘得到的参数化GSTL公式作为域理论,用于自主机器人的自动任务规划。提出了一种基于GSTL的自动任务规划方法,其中提出者用于生成有序动作,验证者用于生成可执行的任务计划。文中以表格设置为例说明了本文的主要思想。
2020-07-16 cs.AI cs.RO cs.SY
Large Language Models Based Automatic Synthesis of Software Specifications
Texas A&M University(德州农工大学);Intel Labs(英特尔实验室)
本文提出SpecSyn框架,首次利用大语言模型以序列到序列方式从自然语言文本中端到端自动综合软件规格,F1分数比现有最佳工具提升21%。
2023-04-18 cs.AI cs.SE
Talking with Verifiers: Automatic Specification Generation for Neural Network Verification
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Masaryk University(马萨里克大学);University of California, Riverside(加州大学河滨分校)
通过自动规范生成,该研究使神经网络验证工具能够处理自然语言规范,从而扩展其在高语义级别要求中的应用。
2026-02-13 cs.AI cs.LG cs.SE
Program Synthesis from Visual Specification
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
程序合成是自动地将规范翻译成计算机代码的过程。传统的合成设置需要一个正式的,精确的规范。出于计算机教育应用程序的学生学习代码简单的海龟风格的绘图程序,我们研究了一种新的合成设置,只有一个嘈杂的用户意图绘图指定。这使得学生能够绘制他们想要的输出,可选地与他们自己的未完成的程序一起,以自动生成完整的程序。我们制定这个综合问题的搜索空间的程序,与得分的状态之间的Hausdorff距离的程序输出和用户绘图。我们比较了几种搜索算法的语料库组成的真实用户图纸和相应的程序,并证明我们的算法可以合成最佳满足规范的程序。
2018-06-04 cs.AI cs.PL
Automated Repair of Declarative Software Specifications in the Era of Large Language Models
Donald Bren School of Information and Computer Science, University of California, Irvine(加州大学欧文分校唐纳德·布伦信息与计算机科学学院)
本研究评估了ChatGPT修复Alloy声明式软件规约的效果,发现其整体表现不及现有主流修复技术,但能修复其他方法无法解决的缺陷,同时也存在修复错误、幻觉及结果不一致等问题,为相关从业者提供了参考。
2023-11-07 cs.AI cs.LG cs.SE
Sionnx: Automatic Unit Test Generator for ONNX Conformance
Alibaba Group US Inc.(阿里巴巴集团美国公司)
开放神经网络交换(ONNX)是一种表示AI模型的开放格式,并得到许多机器学习框架的支持。虽然ONNX定义了跨各种框架的统一和可移植计算运算符,但这些运算符的一致性测试不足,这使得很难验证ONNX后端实现中的运算符行为是否符合ONNX标准。在本文中,我们提出了第一个自动单元测试生成器名为Sionnx的ONNX实现的合规性验证。首先,我们提出了一个紧凑而完整的规则集来描述操作符的属性和操作数的属性。其次,我们设计了一个操作符规约语言(OSL),为操作符的语法提供一个高层次的描述。最后,通过这种易于使用的规约语言,我们能够构建一个完整的测试规范,该规范利用LLVM TableGen自动为覆盖范围更大的ONNX运营商生成单元测试。Sionnx是轻量级和灵活的,以支持跨框架验证。Sionnx框架在github存储库(https://github.com/alibaba/Sionnx)中是开源的。
2019-06-12 cs.AI cs.SE
Data2Vis: Automatic Generation of Data Visualizations Using Sequence to Sequence Recurrent Neural Networks
IBM Research(IBM研究院);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Fitnescity Labs(Fitnescity实验室)
对于在统计和数据可视化方面时间有限、技能有限的用户来说,使用表达性语法快速创建有效的可视化是一项挑战。即使是高级的专用可视化工具,也经常需要用户手动选择数据属性,决定要应用哪些转换,并指定可视化编码变量与原始或转换后的属性之间的映射。在本文中,我们介绍了Data 2 Vis,这是一个神经翻译模型,用于从给定的数据集自动生成可视化。我们制定可视化生成作为一个序列到序列的翻译问题,数据规范映射到可视化规范的声明性语言(Vega-Lite)。为此,我们在可视化规范的语料库上训练一个具有长短期记忆(LSTM)单元的多层基于注意力的递归神经网络(RNN)。定性结果表明,我们的模型学习了有效的可视化规范的词汇和语法,适当的转换(计数,箱,平均值)以及如何使用数据可视化中出现的常见数据选择模式。Data 2 Vis可以在很短的时间内生成与手动创建的可视化效果相当的可视化效果,并有可能大规模学习更复杂的可视化策略。
2018-11-02 cs.AI cs.HC cs.LG
Towards Code Generation from BDD Test Case Specifications: A Vision
Technische Universität Darmstadt(达姆施塔特工业大学)
本文提出一种新颖的代码生成方法,利用行为驱动开发测试规约作为基于 Transformer 的机器学习模型的输入,为流行的 Angular 框架生成前端组件代码,旨在大幅减少 Web 应用开发时间并提升软件质量。
2023-05-19 cs.AI cs.SE
Agent Status Protocol (ASP): A Lightweight Specification for State Reporting in Multi-Agent Systems
Open Voice Interoperability Initiative(开放语音互操作性倡议);Linux Foundation AI & Data(Linux基金会人工智能与数据部);Conversational Technologies(对话技术公司);ejTalk, Inc.(ejTalk公司)
本文提出智能体状态协议(ASP)0.1版本,作为多智能体系统中异构AI智能体状态报告的轻量级规范,复用现有协议词汇,通过多源观察补充自我报告,旨在推动社区讨论与实现。
2026-10-16 cs.AI cs.MA
KernelGPT: Enhanced Kernel Fuzzing via Large Language Models
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出 KernelGPT,利用大语言模型基于代码、文档与验证反馈迭代推断并修复 syscall 规范,从而增强 Linux 内核模糊测试,提升覆盖率并发现 24 个新漏洞。
2025-03-13 cs.AI cs.CR cs.SE
Beyond Postconditions: Can Large Language Models infer Formal Contracts for Automatic Software Verification?
Carl von Ossietzky Universität Oldenburg(奥尔登堡卡尔·冯·奥西茨基大学)
本文提出NL2Contract任务,利用大型语言模型将自然语言转换为形式化功能契约(含前置与后置条件),实验证明其生成契约健全且能减少验证误报,并有效捕获真实错误。
2025-10-14 cs.AI cs.PL cs.SE
ARM-FM: Automated Reward Machines via Foundation Models for Compositional Reinforcement Learning
Université de Montréal(蒙特利尔大学);Mila – Quebec AI Institute(魁北克人工智能研究所);University of British Columbia(不列颠哥伦比亚大学)
ARM-FM通过基础模型实现自动化奖励设计,利用自然语言生成奖励机并实现跨任务泛化,提升强化学习的通用性和效率。
2026-03-08 cs.AI cs.LG
Learning-Based Automatic Synthesis of Software Code and Configuration
Texas A&M University(得克萨斯农工大学)
本文提出将大规模软件自动生成与配置分解为基于输入输出规范的程序合成和基于序列到序列深度学习的配置合成两大任务,并分别采用神经网络驱动的遗传算法、协方差矩阵自适应进化策略及深度学习机制加以解决。
2023-05-30 cs.AI cs.SE
A Composable Specification Language for Reinforcement Learning Tasks
University of Pennsylvania(宾夕法尼亚大学)
强化学习是一种很有前途的机器人任务控制策略学习方法。然而,指定复杂的任务(例如,具有多个目标和安全约束)可能是具有挑战性的,因为用户必须设计对整个任务进行编码的奖励函数。此外,用户通常需要手动地形成奖励以确保学习算法的收敛。我们提出了一种语言来指定复杂的控制任务,以及一个算法,编译规格在我们的语言成一个奖励功能,并自动执行奖励塑造。我们在一个名为SPECTRL的工具中实现了我们的方法,并表明它优于几个最先进的基线。
2020-10-29 cs.AI cs.LG stat.ML