SymbolicAI: A framework for logic-based approaches combining generative models and solvers
ExtensityAI;Johannes Kepler University(约翰开普勒大学);RICAM;Amazon Devices(亚马逊设备)
本文提出SymbolicAI框架,将LLM作为语义解析器结合生成模型与求解器,利用概率与可微编程处理复杂任务,并引入VERTEX评分评估可解释计算图。
2024-08-21 cs.AI cs.LG cs.SC
Know Your Limits : On the Faithfulness of LLMs as Solvers and Autoformalizers in Legal Reasoning
UC Santa Cruz(加州大学圣克鲁兹分校);Univ. Helsinki(赫尔辛基大学);CodeX, Stanford(斯坦福大学CodeX中心);Stanford University(斯坦福大学);Canyon Crest Academy(峡谷峰学院);Monta Vista High School(蒙塔维斯塔高中);Los Altos High School(洛斯阿尔托斯高中)
研究LLM在法律推理中是否忠实执行逻辑推理,发现LLM基于形式推理的高性能掩盖了范围清洗等不忠实模式,揭示基准准确性与逻辑忠实性之间的根本差距。
2026-06-23 cs.AI cs.CL cs.LO
DiLA: Enhancing LLM Tool Learning with Differential Logic Layer
本文提出DiLA方法,通过将差分逻辑层与LLM结合,把逻辑约束融入网络前向与反向传播,由LLM生成初始解、逻辑层迭代细化,从而在SAT和图着色等推理问题上提升LLM的逻辑推理能力并优于现有方法。
2025-11-07 cs.AI cs.CL
MILP-Evo: Closed-Loop Fully Automatic Design of MILP Solvers
BUPT(北京邮电大学);BZA(未提及具体中文名,推测可能是某个机构简称);BIT(北京理工大学);CUHK-Shenzhen(香港中文大学(深圳));PKU(北京大学)
研究能否将MILP求解器逻辑自动设计为LLM引导的闭环搜索,提出闭环程序演化框架,通过PySCIPOpt实现,在割集选择器和分支规则联合设计上实例化,输出可检查修改部署的组件,在多基准测试中发现有竞争力的策略。
2026-07-22 cs.AI cs.NE
NL2LOGIC: AST-Guided Translation of Natural Language into First-Order Logic with Large Language Models
Virginia Tech(弗吉尼亚理工大学);Universitas Ary Ginanjar(阿里·金纳jar大学)
NL2LOGIC通过引入抽象语法树,结合递归大语言模型和生成器,实现了高准确性的自然语言到一阶逻辑转换,提升了逻辑求解的准确性和可执行性。
2026-01-29 cs.AI cs.CL
Matrix as Plan: Structured Logical Reasoning with Feedback-Driven Replanning
Faculty of Arts and Sciences(艺术与科学学院);Beijing Normal University(北京师范大学);Institute of Artificial Intelligence and Future Networks(人工智能与未来网络研究所);Engineering Research Center of Cloud-Edge Intelligent Collaboration on Big Data, Ministry of Education(教育部云-边智能协同大数据工程研究中心)
MatrixCoT通过引入矩阵基础计划和反馈驱动重计划机制,提升LLM在复杂符号推理任务中的鲁棒性和可解释性。
2026-01-19 cs.AI cs.CL
Towards Trustworthy Legal AI through LLM Agents and Formal Reasoning
National University of Singapore(国立新加坡大学);Griffith University(格里菲斯大学)
L4L通过LLM代理与形式推理实现法律AI的可信性,通过四个阶段确保法律推理的逻辑性和可验证性。
2026-03-05 cs.AI
Dsat: A Native SAT Solver for Discrete Logic
Department of Computer Science, University of California, Los Angeles(加州大学洛杉矶分校计算机科学系)
本文提出一种用于离散逻辑的原生SAT求解器,通过扩展布尔逻辑,允许变量取任意值,并通过与CSP求解器、布尔SAT求解器等的比较验证其有效性。
2026-11-17 cs.AI cs.LO
A Minesweeper Solver Using Logic Inference, CSP and Sampling
Shanghaitech University(上海科技大学)
扫雷作为一个益智视频游戏,并证明它是一个NPC的问题.我们使用CSP、逻辑推理和采样来制作扫雷舰求解器,并且我们将每次选择限制在5秒内。
2018-10-07 cs.AI
selp: A Single-Shot Epistemic Logic Program Solver
TU Wien(维也纳工业大学)
认知逻辑程序(英语:Epistemic Logic Programs,ELP)是答案集编程(英语:Answer Set Programming,ASP)的一个扩展,它具有认知算子,允许一种形式的元推理,即在多个可能世界上进行推理。现有的ELP求解方法通常依赖于对ASP求解器进行多次调用以评估ELP。然而,在本文中,我们表明,也存在一个直接的翻译从ELP到非地面ASP有界arity。由此产生的ASP程序可以在Single Shot中求解。然后,我们实现这种编码方法,使用最近提出的技术来处理大型,非地面ASP规则,到原型ELP解决系统“selp”,我们在本文中提出。该求解器在一组ELP基准实例上表现出具有竞争力的性能。逻辑程序设计理论与实践(TPLP)
2020-01-04 cs.AI cs.LO
Inductive Logic Programming via Differentiable Deep Neural Logic Networks
Georgia Institute of Technology(佐治亚理工学院)
提出了一种新的范式,通过深度递归神经网络解决归纳逻辑程序设计(ILP)问题。这个建议的ILP求解器的设计基础上,通过正向链接的演绎微分实现。与以往的大多数方法不同,本文通过引入一种新的可微神经逻辑(dNL)网络,直接学习符号逻辑谓词规则,而不是使用一些限制性规则模板搜索可能的一阶逻辑规则空间。所提出的dNL网络能够以显式的方式有效地学习和表示布尔函数。我们表明,建议的dNL-ILP求解器支持理想的功能,如递归和谓词发明。此外,我们研究了所提出的ILP求解器在涉及基准关系数据集的分类任务中的性能。特别是,我们表明,我们提出的方法在Mutagenesis,Cora和IMDB数据集的分类任务中优于最先进的ILP求解器。
2019-06-08 cs.AI cs.LO
Logic.py: Bridging the Gap between LLMs and Constraint Solvers
Meta
提出用大语言模型将搜索问题形式化为Logic.py领域特定语言,再交由约束求解器求解,在ZebraLogicBench上较Llama 3.1 70B基线提升65%,准确率超90%。
2025-02-17 cs.AI cs.LO
eclingo: A solver for Epistemic Logic Programs
University of Corunna(拉科鲁尼亚大学);University of Potsdam(波茨坦大学)
我们描述eclingo,一个求解器的认知逻辑程序下Gelfond 1991年语义建立在回答集编程系统clingo。eclingo的输入语言使用clingo的语法扩展功能来定义主观文字,就像在认知逻辑程序中一样,允许在程序的所有或部分答案集中检查常规文字的真实性。eclingo解决过程遵循猜测和检查策略。它首先为主观文字生成潜在的真值,在第二步中,它检查所获得的结果与程序的谨慎和勇敢的后果。这个过程是使用clingo的多镜头功能来实现的。我们还实现了一些优化,旨在减少搜索空间,从而提高eclingo在某些情况下的效率。最后,我们比较了eclingo的效率与两个国家的最先进的求解器的认知逻辑程序对基准的情况下,表明eclingo一般优于他们得到的结果。正在考虑接受TPLP。
2020-08-05 cs.AI cs.LO
A survey of advances in epistemic logic program solvers
Space and Naval Warfare Systems Center Atlantic(大西洋太空与海战系统中心);College of Charleston(查尔斯顿学院)
最近对答案集编程扩展的研究包括对认知规范语言的重新兴趣,它增加了模态运算符K(“已知”)和M(“可能是真的”),以提供更强大的内省推理和增强的能力,特别是在不完整信息的推理时。认知逻辑程序是这种语言中的一组规则。注入了研究一直是一个有效的解决方案,使实际使用这样的程序解决问题的愿望。在本文中,我们报告的认知逻辑程序求解器的发展现状。
2018-09-19 cs.AI
A Parallel Memory-efficient Epistemic Logic Program Solver: Harder, Better, Faster
Space and Naval Warfare Systems Center Atlantic(大西洋空间与海战系统中心);College of Charleston(查尔斯顿学院);New Mexico State University(新墨西哥州立大学)
由于答案集编程(ASP)的实际使用已经增长与发展的高效求解器,我们期望在ASP的扩展越来越感兴趣,因为它们的语义稳定和求解器支持他们成熟。认知规范(Epistemic Specifications)就是这样一种扩展,它将模态运算符K和M添加到ASP语言中。我们把这种语言中的程序称为认知逻辑程序(ELP)。由于搜索空间的指数增长,求解器迄今为止仅适用于最简单的ELP。我们描述了一种能够更好地解决更难的问题的求解器(例如,没有指数增长的存储器需求w.r.t. K和M出现),比任何其他已知的ELP求解器更快。
2016-10-13 cs.AI
Local-search techniques for propositional logic extended with cardinality constraints
我们研究了局部搜索可满足性求解器扩展的基数原子命题逻辑,也就是说,表达式,提供明确的方式来模型的基数集的约束。将基数原子添加到命题逻辑的语言中有助于对搜索问题进行建模,并且通常会导致简洁的编码。我们提出了两个“本地”本地搜索求解器的理论在扩展语言。我们还描述了技术,以减少问题的标准命题可满足性,并允许我们使用现成的SAT求解器。我们对这些方法进行了实验研究。我们的总体发现是,专门为扩展语言设计的本地求解器比依赖于SAT求解器的间接方法执行得更好。
2003-10-31 cs.AI
Solving Epistemic Logic Programs using Generate-and-Test with Propagation
University of Nebraska Omaha(内布拉斯加大学奥马哈分校);University of Vermont(佛蒙特大学)
本文提出认知逻辑程序的生成-测试求解器通用框架及正确性充分条件,设计带认知后承传播的生成器以指数级减候选、仅线性开销,实现的新求解器在基准上提速3.3倍、多解91%实例。
2024-12-13 cs.AI cs.LO
SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers
Shanghai JiaoTong University(上海交通大学)
该研究针对大型语言模型逻辑推理的缺陷,提出结合逻辑知识图谱与动态求解器路由的神经-符号架构,在基准任务上优于现有方法,实现了可验证的高准确率逻辑推理。
2026-08-28 cs.AI cs.CL
WSAT(cc) - a fast local-search ASP solver
我们描述WSAT(CC),本地搜索求解器计算模型的理论在语言的命题逻辑扩展的基数原子。WSAT(cc)是PS+逻辑的处理后端,PS+是最近提出的回答集编程的形式主义。
2003-10-31 cs.AI
SATNet: Bridging deep learning and logical reasoning using a differentiable satisfiability solver
Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学);Bosch Center for Artificial Intelligence(博世人工智能中心)
在深度学习架构中集成逻辑推理一直是现代AI系统的主要目标。在本文中,我们通过引入可微分(平滑)最大可满足性(MAXSAT)求解器来实现这一目标,该求解器可以集成到更大的深度学习系统的循环中。我们的(近似)求解器是基于一个快速的坐标下降的方法来解决半定规划(SDP)与MAXSAT问题。我们展示了如何通过这个SDP的解决方案来解析区分,并有效地解决相关的向后传递。我们证明,通过将此求解器集成到端到端学习系统中,我们可以以最小监督的方式学习具有挑战性的问题的逻辑结构。特别是,我们证明了我们可以使用单比特监督来学习奇偶校验函数(传统上对深度网络来说是一项艰巨的任务),并仅从示例中学习如何玩9x9数独。我们还解决了一个“视觉数独”的问题,映射图像的数独谜题,以其相关的逻辑解决方案相结合,我们的MAXSAT求解器与传统的卷积架构。因此,我们的方法在深度学习中集成逻辑结构方面表现出了希望。
2019-05-29 cs.AI cs.LG stat.ML
The CIFF Proof Procedure for Abductive Logic Programming with Constraints: Theory, Implementation and Experiments
Università di Pisa(比萨大学);Imperial College London(帝国理工学院);University of Amsterdam(阿姆斯特丹大学)
给出了带约束的溯因逻辑程序设计的CIFF证明过程,并证明了其正确性。CIFF是溯因逻辑编程的IFF证明过程的扩展,放松了对变量量化(允许条件)的原始限制,并结合了约束求解器来处理约束逻辑编程中的数值约束。最后,我们描述了CIFF系统,将其与最先进的溯因系统和答案集求解器进行比较,并展示了如何使用它来编程一些应用程序。(To《逻辑程序设计理论与实践》(Theory and Practice of Logic Programming,TPLP)
2009-06-05 cs.AI cs.LO
Abstract Modular Systems and Solvers
University of Nebraska at Omaha(内布拉斯加大学奥马哈分校);University of Kentucky(肯塔基大学)
将不同的形式主义集成到模块化知识表示系统中提供了更高的表达性、建模便利性和计算优势。我们引入抽象模块和抽象模块化系统的概念来研究集成异构多逻辑系统的模型查找程序或求解器的设计和分析背后的一般原理。我们展示了抽象模块和抽象模块化系统如何产生过渡系统,这是一个自然和方便的表示,求解器开创了SAT社区。我们说明了我们的方法,显示它如何适用于回答集编程和命题逻辑,并基于这两个形式主义的多逻辑系统。
2013-12-20 cs.AI
Computing LPMLN Using ASP and MLN Solvers
Arizona State University(亚利桑那州立大学)
LPMLN是概率逻辑程序设计语言的新成员。它的主要思想是通过以类似于马尔可夫逻辑定义的方式为每个规则分配权重来克服稳定模型语义的刚性。我们提出了两个实现的LPMLN,$\text{LPMLN2ASP}$和$\text{LPMLN2MLN}$。系统$\text{LPMLN2ASP}$将LPMLN程序转换为答案集求解器$\text{CLINGO}$的输入语言,并利用弱约束和稳定模型枚举,计算最可能的稳定模型以及精确的条件概率和边际概率。系统$\text{LPMLN2MLN}$将LPMLN程序翻译成马尔可夫逻辑解算器的输入语言,诸如$\text{ALCHEMY}$、$\text{TUFFY}$和$\text{ROCKIT}$,并且允许对LPMLN程序执行近似概率推断。我们还证明了有用的LPMLN系统计算其他语言,如ProbLog和珍珠的因果模型,被证明是可翻译成LPMLN。(正在考虑接受TPLP)
2017-11-30 cs.AI 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
Teaching Temporal Logics to Neural Networks
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Saarland University(萨尔大学);Google Research(谷歌研究院)
我们研究了神经符号计算中的两个基本问题:深度学习能否端到端地解决逻辑中的挑战性问题,以及神经网络能否学习逻辑的语义。在这项工作中,我们专注于线性时间时序逻辑(LTL),因为它被广泛用于验证。我们针对问题对一个Transformer进行训练,以直接预测给定LTL公式的解,即迹。训练数据是用经典解算器生成的,然而,经典解算器仅为每个公式提供许多可能的解之一。我们证明,这是足够的训练这些特定的解决方案的公式,和Transformers可以预测解决方案,甚至公式从基准的经典求解器超时的文献。Transformers还可以推广到逻辑的语义:虽然它们经常偏离经典求解器找到的解,但它们仍然可以预测大多数公式的正确解。
2021-02-18 cs.AI cs.LG cs.LO
Hybrid Answer Set Programming: Foundations and Applications
University of Potsdam(波茨坦大学)
针对标准回答集编程(ASP)求解器无法处理数值及复杂约束的问题,提出带约束的此处与彼处逻辑(HT_c)作为理论基础,为混合ASP提供支持,同时探讨其理论特征与应用价值。
2025-02-13 cs.AI cs.LO
Scaling up Hybrid Probabilistic Inference with Logical and Arithmetic Constraints via Message Passing
University of California, Los Angeles(加州大学洛杉矶分校);University of Trento(特伦托大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院)
加权模型集成(Weighted Model Integration,简称WIM)是一个非常吸引人的概率推理框架:它允许通过可满足性模理论(Satisfiability Modulo Theories,简称SMT)的语言来表达变量既连续又离散的真实世界问题的复杂依赖关系,以及计算具有复杂逻辑和算术约束的概率查询。然而,现有的非线性规划求解器还没有准备好扩展到这些问题。它们要么完全忽略了问题的内在依赖结构,要么局限于限制性太强的结构。为了缩小这一差距,我们推导出一个因式分解的形式主义,使我们能够设计一个可扩展的基于消息传递,MP-BSSOVER。也就是说,MP-SVM是第一个SVM求解器,它允许:1)对整个树结构的SVM问题进行精确推理; 2)在线性时间内计算所有边缘密度; 3)摊销查询间的推理。实验结果表明,我们的求解器显着优于现有的非线性规划求解器在一个大的基准集。
2020-08-19 cs.AI
Effective problem solving using SAT solvers
University of Waterloo(滑铁卢大学);Maplesoft(Maplesoft公司);Wilfrid Laurier University(劳里埃大学)
在这篇文章中,我们将演示如何使用计算机代数系统Maple的内置SAT求解器来解决各种问题和谜题。一旦问题被编码到布尔逻辑中,就可以自动找到解决方案(或显示不存在),而不需要实现任何搜索算法。特别是,我们描述了如何解决$n$ -皇后问题,如何生成和解决数独难题,如何解决像爱因斯坦之谜这样的逻辑难题,如何解决15-难题,如何解决最大集团问题,以及寻找希腊-拉丁方。
2019-09-16 cs.AI cs.LO cs.SC
A Solver-in-the-Loop Framework for Improving LLMs on Answer Set Programming for Logic Puzzle Solving
本文提出了一种求解器循环框架,通过引导求解器进行指令微调,提升LLM在Answer Set Programming中生成逻辑谜题解答的性能。
2025-12-18 cs.AI cs.CL
A Balanced Neuro-Symbolic Approach for Commonsense Abductive Logic
McGill University(麦吉尔大学);Huawei Noah’s Ark Lab(华为诺亚实验室);International Laboratory on Learning Systems (ILLS)(学习系统国际实验室);MILA(蒙特利尔人工智能实验室)
本文提出一种平衡神经和符号方法,通过迭代增强逻辑问题中的常识关系,提升复杂推理任务的性能。
2026-01-26 cs.AI cs.LG
Transformer-based Machine Learning for Fast SAT Solvers and Logic Synthesis
University of California Los Angeles(加利福尼亚大学洛杉矶分校);The Pennsylvania State University(宾夕法尼亚州立大学);University of Virginia(弗吉尼亚大学)
基于CNF的SAT和MaxSAT求解器是逻辑综合和验证系统的核心。这些约束问题在电子设计自动化中的日益普及,鼓励了对不同SAT问题及其性质的研究,以进一步提高计算效率。现代的基于语法驱动的子句学习SAT求解器在理论和实践上都取得了成功,它允许在相对较短的时间内解决非常大的工业实例。最近,机器学习方法为解决这一具有挑战性的问题提供了新的维度。神经符号模型可以作为通用求解器,可以基于数据专门用于特定领域,而无需对模型的结构进行任何更改。在这项工作中,我们提出了一个单次模型来自Transformer架构来解决最大SAT问题,这是SAT的优化版本,其目标是满足最大数量的条款。我们的模型具有无标度结构,可以处理不同大小的实例。我们使用元路径和自我注意力机制来捕捉同构节点之间的交互。我们在二分图上采用交叉注意力机制来捕捉异构节点之间的交互。我们进一步应用迭代算法,我们的模型,以满足额外的条款,使解决方案接近的一个确切的SAT问题。注意力机制利用并行性来加速。我们的评估表明,改进的加速比相比,启发式方法和改进的完成率相比,机器学习方法。
2021-07-15 cs.AI cs.LG cs.NE
Transition Systems for Model Generators - A Unifying Approach
University of Kentucky(肯塔基大学)
命题逻辑的一个基本任务是计算命题公式的模型。为此任务开发的程序称为可满足性求解器。我们表明,过渡系统引入Nieuwenhuis,Oliveras和Tinelli模型和分析可满足性求解器可以适应求解器开发的其他两个命题形式主义:逻辑编程下的答案集语义,和逻辑PC(ID)。我们表明,在每种情况下,计算模型的任务可以被看作是“可满足性模答案集编程”,其目标是找到一个模型的理论,也是一个答案集的某个程序。我们开发的统一的角度来看,特别是,求解器CLASP和MINISATID是密切相关的,尽管正在开发不同的形式主义,一个答案集编程和后者的逻辑PC(ID)。
2011-05-03 cs.AI
Automating Defeasible Reasoning in Law
Singapore Management University(新加坡管理大学)
本文研究基于规则的系统中的可废止推理,特别是关于法律规范和合同。我们确定规则修饰符,指定规则如何交互以及如何覆盖它们。然后,我们定义规则转换,消除这些修饰符,最终导致规则到公式的转换。对于推理和规则,我们对比了两种方法,一种是在经典逻辑与SMT求解器作为证明引擎,一种是在非单调逻辑与答案集编程求解器。
2022-05-15 cs.AI cs.LO
Draft-and-Prune: Improving the Reliability of Auto-formalization for Logical Reasoning
University of California, Berkeley(加州大学伯克利分校);Microsoft(微软)
本文提出D&P框架,通过多样性与验证提升自动形式化逻辑推理可靠性,实验显示在多个基准测试中显著优于现有方法,如在AR-LSAT上准确率达78.43%。
2026-03-26 cs.AI
Bounded Fitting for Expressive Description Logics
Leipzig University and ScaDS.AI Center Dresden/Leipzig(莱比锡大学和ScaDS.AI中心德累斯顿/莱比锡);TU Dortmund University(德累斯顿理工大学);Center for Trustworthy Data Science and Security, University Alliance Ruhr(可信数据科学与安全中心,鲁尔大学联盟)
本文研究了在扩展ALC的表达式描述逻辑中,受限适配方法的理论性质和实现,通过SAT求解器实现,并与现有概念学习器比较,展示了其在复杂概念学习中的实用性。
2026-05-08 cs.AI
Representing First-Order Causal Theories by Logic Programs
Google Inc.(谷歌公司);Arizona State University(亚利桑那州立大学);University of Kentucky(肯塔基大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
由诺曼·麦凯恩(Norman McCain)和哈德森·特纳(Hudson Turner)提出的非单调因果逻辑成为几种表达性动作语言的语义基础。McCain将确定性命题因果理论嵌入到逻辑编程中,为使用答案集求解器来回答有关此类语言描述的动作的查询铺平了道路。在本文中,我们将这种嵌入扩展到非定理论和一阶因果逻辑。
2011-03-23 cs.AI cs.LO
Inconsistency Proofs for ASP: The ASP-DRUPE Format
University of Calabria(卡拉布里亚大学);TU Dresden(德累斯顿工业大学);TU Wien(维也纳工业大学);secunet Security Networks AG(secunet安全网络股份公司)
答案集编程(ASP)求解器是高度调优的复杂过程,其隐式地解决一致性问题,即,决定逻辑程序是否允许答案集。对于(正常的)程序,可以在多项式时间内判定一个要求的答案集在形式上是否是程序的正确答案集.然而,要验证一个声称不一致的程序是否确实不承认任何答案集,还远没有那么快。在本文中,我们解决了这个问题,并开发了新的证明格式ASP-德鲁普命题,析取逻辑程序,包括重量和选择规则。ASP-DRUPE基于反向单元传播(RUP)格式,旨在实现布尔可满足性。我们建立了ASP-DRUPE的正确性,并讨论了如何将其集成到现代ASP解决方案。随后,我们提供了一个实现的ASP-德鲁巴到黄蜂求解器正常逻辑程序。这项工作正在考虑接受在TPLP。
2019-07-24 cs.AI cs.LO
Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach
University of Verona(维罗纳大学)
本文利用 ILP 从 POMDP 执行轨迹中学习可解释的 ASP 置信策略规约,作为在线启发式指导 POMCP、DESPOT 和 AdaOPS,并在 rocksample 与 pocman 上验证其高效、优越且可泛化。
2024-02-29 cs.AI cs.LG cs.LO
A Multi-Engine Approach to Answer Set Programming
Università degli Studi di Genova(热那亚大学);Università degli Studi di Sassari(萨萨里大学);Università della Calabria(卡拉布里亚大学)
答案集编程(ASP)是一种真正的声明式编程范式,在非单调推理和逻辑编程领域提出,最近已在许多应用中使用。因此,开发高效的ASP系统至关重要。考虑到改进ASP的求解方法的任务,有两种常用的方法来实现这一目标:$(i)$扩展最先进的技术和ASP求解器,或$(ii)$从头开始设计一个新的ASP求解器。这些趋势的替代方案是建立在最先进的求解器之上,并应用机器学习技术来自动选择“最好的”可用求解器。在本文中,我们追求这后一个方向。我们首先定义了一组便宜的计算句法功能,表征ASP程序的几个方面。然后,我们应用分类方法,给定{ \sl training}集中的实例的特征和求解器在这些实例上的性能,归纳学习算法选择策略以应用于{ \sl test}集。我们报告了一些实验的结果,考虑到求解器和不同的训练和测试集的情况下,从提交给“系统跟踪”的第三届ASP竞赛。我们的分析表明,通过将机器学习技术应用于ASP求解,可以获得非常稳健的性能:与第三届ASP竞赛的任何求解器相比,我们的方法可以解决更多的实例。(To逻辑程序设计理论与实践(Theory and Practice of Logic Programming,TPLP)
2013-06-20 cs.AI cs.LO
Lifting Symmetry Breaking Constraints with Inductive Logic Programming
University of Klagenfurt(克拉根福大学);Graz University of Technology(格拉茨工业大学)
有效地省略对称的解决方案的候选人是必不可少的组合问题的解决。大多数现有的方法是特定于实例的,并专注于自动计算对称破缺约束(SBC)为每个给定的问题实例。然而,这种方法应用于大规模的实例或高级问题编码可能是有问题的,因为计算的SBC是命题的,因此,既不能被有意义地解释,也不能被转移到其他实例。因此,在每次调用求解器之前,必须对SBC进行耗时的重新计算。为了克服这些限制,我们引入了一个新的面向模型的方法,答案集编程,升降机的小问题实例的SBC到一组可解释的一阶约束,使用归纳逻辑程序设计范式。实验表明,我们的框架学习的能力,从实例特定的SBC的组合问题的集合的一般约束。所得到的结果表明,我们的方法显着优于一个国家的最先进的具体实例的方法,以及直接应用的求解器。
2021-12-23 cs.AI cs.LG 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
Neuro-Symbolic Compliance: Integrating LLMs and SMT Solvers for Automated Financial Legal Analysis
Department of Management Information Systems, National ChengChi University, Taipei, Taiwan(管理信息系,中华大学,台北,台湾);Department of Electrical Engineering, National Taiwan University, Taipei, Taiwan(电子工程系,台湾大学,台北,台湾)
本研究整合大语言模型与SMT求解器,提出神经符号合规框架,用于自动化金融法律分析,实现形式可验证性和基于优化的合规修正。
2026-01-07 cs.AI cs.FL cs.LG
Proceedings 38th International Conference on Logic Programming
ICLP是展示逻辑编程研究的首要国际活动。对ICLP 2022的贡献是在逻辑编程的所有领域,包括但不限于:基础:语义学,形式主义,非单调推理,知识表示。语文问题:并发,对象,协调,移动性,高阶,类型,模式,断言,模块,元编程,基于逻辑的特定领域语言,编程技术。编程支持:程序分析、转换、验证、验证、分析、测试、执行可视化。实施情况:编译、虚拟机、存储管理、并行和分布式执行、约束处理规则、制表、外部接口、用户界面。相关范例和协同作用:归纳和共归纳逻辑编程,约束逻辑编程,答案集编程,与SAT,SMT和CSP求解器的交互,定理证明,论证,概率编程,机器学习。应用领域:数据库、大数据、数据集成和联邦、软件工程、自然语言处理、Web和语义网、代理、人工智能、计算生命科学、网络安全、机器人技术、教育。
2022-08-04 cs.AI cs.LO
Ensuring Logic in the Fog: Sound POMDP Synthesis with LTL Objectives
Imperial College London(伦敦帝国理工学院);University College London(伦敦大学学院)
本文提出一种新的可靠奖励塑造机制,用于在部分可观测马尔可夫决策过程中实现LTL目标的合成,通过增强的蒙特卡洛规划框架提升在部分可观测环境中的导航能力。
2026-05-12 cs.AI cs.FL cs.LO
SUNNY: a Lazy Portfolio Approach for Constraint Solving
Department of Computer Science and Engineering/Lab. Focus INRIA University of Bologna(博洛尼亚大学计算机科学与工程系/INRIA Focus实验室)
* 出现在逻辑编程理论与实践(TPLP)中 * 在约束求解的背景下,组合方法允许人们利用不同求解器之间的协同作用,以创建全局更好的求解器。在本文中,我们提出了SUNNY:一个简单而灵活的算法,利用投资组合的约束求解器,以计算-没有学习一个明确的模型-一个时间表,他们解决一个给定的约束满足问题(CSP)。受到SUNNY与其他最先进方法的不同模拟所达到的性能的激励,我们开发了sunny-csp,这是一种有效的投资组合求解器,它利用底层的SUNNY算法来求解给定的CSP。对MiniZinc模型的详尽基准进行的实证测试表明,SUNNY的实际表现符合预测。这对于提高CSP组合求解器的能力以及尝试将它们导出到诸如答案集编程和约束逻辑编程等领域都是令人鼓舞的。
2014-05-13 cs.AI
Solving Logic Grid Puzzles with an Algorithm that Imitates Human Behavior
Insight Centre for Data Analytics(洞察数据分析中心);University College Cork(科克大学学院)
在本文中,我们提出了我们的逻辑网格谜题求解器。我们的算法所使用的方法模仿了人类试图解决相同问题的方式。在解决过程中取得的每一个进展都伴随着对我们程序推理的详细解释。由于这种推理是基于人类所采用的相同的推理,因此用户可以很容易地遵循给定的解释。
2019-10-15 cs.AI
Proceedings 37th International Conference on Logic Programming (Technical Communications)
ICLP是展示逻辑编程研究的首要国际活动。对ICLP 2021的贡献是在逻辑编程的所有领域,包括但不限于:基础:语义学,形式主义,非单调推理,知识表示。语文问题:并发,对象,协调,移动性,高阶,类型,模式,断言,模块,元编程,基于逻辑的特定领域语言,编程技术。编程支持:程序分析、转换、验证、验证、分析、测试、执行可视化。实施情况:编译、虚拟机、存储管理、并行和分布式执行、约束处理规则、制表、外部接口、用户界面。相关范例和协同作用:归纳和共归纳逻辑编程,约束逻辑编程,答案集编程,与SAT,SMT和CSP求解器的交互,定理证明,论证,概率编程,机器学习。应用领域:数据库、大数据、数据集成和联邦、软件工程、自然语言处理、Web和语义网、代理、人工智能、计算生命科学、网络安全、机器人技术、教育。
2021-09-15 cs.AI cs.LO
Learning big logical rules by joining small rules
University of Oxford(牛津大学);University of Helsinki(赫尔辛基大学)
针对归纳逻辑编程中学习大规则的难题,提出通过连接小规则学习大规则的方法,基于约束驱动系统与约束求解器实现,在多领域实验中可学习超100文字的规则且预测准确率显著优于现有方法。
2024-01-29 cs.AI cs.LG cs.LO
Learning Reliable Logical Rules with SATNet
University of Toronto(多伦多大学);Vector Institute(向量研究所);Shanghai Jiao Tong Univeristy(上海交通大学);Mila(米拉研究所)
针对SATNet学习的权重不可解释的问题,提出“最大等式”方法将其转换为加权MaxSAT逻辑规则,结合验证技术实现了高可靠性,且规则与真实规则功能等价。
2023-10-03 cs.AI cs.LG
Privacy-hardened and hallucination-resistant synthetic data generation with logic-solvers
Australian e-Health Research Centre, Commonwealth Scientific and Industrial Research Organisation(联邦科学与工业研究组织澳大利亚电子健康研究中心);Macquarie University(麦考瑞大学)
本文提出基于SAT求解的逻辑方法Genomator,用于生成隐私强化且抗幻觉的合成基因组数据,在准确率、隐私性和效率上显著优于现有方法,并支持面向不同应用场景的隐私-准确率权衡调优。
2024-10-22 cs.AI cs.CR cs.CY
Discrete Word Embedding for Logical Natural Language Understanding
MIT-IBM Watson AI Lab(麻省理工-IBM沃森人工智能实验室);IBM Research(IBM研究院)
我们提出了一个无监督的神经模型,用于学习单词的离散嵌入。与现有的离散嵌入不同,我们的二进制嵌入支持类似于连续嵌入的向量算术运算。我们的嵌入表示每个词作为一组命题语句描述的过渡规则在经典/CIPPS规划形式主义。这使得嵌入直接兼容的象征性,国家的最先进的经典规划求解器。
2020-10-15 cs.AI cs.CL
Policy-as-logic for robust reasoning over rules
IBM Research(IBM研究院);IBM(国际商业机器公司)
该研究提出混合符号方法,将策略表示为形式逻辑,结合语言模型事实提取与答案集求解器推理,性能优于策略作为提示、策略作为代码方法,令牌用量减少约10倍,助力生成式AI系统做出鲁棒决策。
2026-08-13 cs.AI cs.LG cs.SC
Design of a Solver for Multi-Agent Epistemic Planning
Università di Udine(乌迪内大学)
随着人们对人工智能的兴趣不断增长,研究形式化和工具变得越来越重要,这些工具允许我们利用逻辑来推理世界。特别是,鉴于越来越多的多代理系统,可以受益于自动推理的技术,探索新的方法来定义不仅是世界的地位,而且代理的信息是不断增长的重要性。这种推理,即,关于主体对世界的感知以及主体对自己和他人的知识的认知,被称为认知推理。在我们的工作中,我们将试图形式化这个概念,通过认知逻辑,动态域表示。特别是,我们将尝试定义一个新的基于行动的语言多智能体认知规划和实现认知规划的基础上。这个求解器应该提供一个工具,足够灵活,能够在不同的领域,例如,经济、安全、正义和政治,在这些领域,对他人信仰的推理可能会导致获胜策略,或有助于改变一群代理人对世界的看法。
2019-09-18 cs.AI cs.IT cs.LO
ESmodels: An Epistemic Specification Solver
Southeast University(东南大学)
(To ESModels作为一个实验平台,研究了ESModels的语义、语言、相关推理算法以及可能的应用,首先给出了ESModels的认知规约语言及其语义。该语言只使用一个模态算子K,但我们证明了它是能够表示丰富的模态算子提出的转换规则。然后,我们描述了基本算法和优化方法中使用的ES模型。在此基础上,我们讨论了ES模型在一致性规划和约束满足中的可能应用。最后,我们总结了前景。
2014-05-14 cs.AI