We seek to find normative criteria of adequacy for nonmonotonic logic similar to the criterion of validity for deductive logic. Rather than stipulating that the conclusion of an inference be true in all models in which the premises are true, we require that the conclusion of a nonmonotonic inference be true in ``almost all'' models of a certain sort in which the premises are true. This ``certain sort'' specification picks out the models that are relevant to the inference, taking into account factors such as specificity and vagueness, and previous inferences. The frequencies characterizing the relevant models reflect known frequencies in our actual world. The criteria of adequacy for a default inference can be extended by thresholding to criteria of adequacy for an extension. We show that this avoids the implausibilities that might otherwise result from the chaining of default inferences. The model proportions, when construed in terms of frequencies, provide a verifiable grounding of default rules, and can become the basis for generating default rules from statistics.
Embedding Description Logic Programs into Default Logic
Guizhou University（贵州大学）；University of Alberta（阿尔伯塔大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Technische Universität Wien（维也纳工业大学）
Eiter { \em et al.}被认为是一个突出的形式主义集成规则和本体知识库。一个令人感兴趣的问题是dl程序是否可以用非单调逻辑的一般形式来描述。本文研究了在缺省逻辑中嵌入dl程序的可能性。我们证明了强和弱答案集语义下的dl-程序可以通过结合两种翻译嵌入到缺省逻辑中，其中一种翻译从非单调dl-原子中消除了约束算子，另一种翻译将dl-程序转化为缺省理论。对于没有非单调dl原子但带有否定失败算子的dl程序，我们的嵌入是多项式的、忠实的和模块化的。此外，我们的默认逻辑编码可以以一种简单的方式扩展，以捕获最近提出的弱良好支持的答案集语义，为任意的dl程序。这些结果加强了默认逻辑可以作为一个富有成效的基础查询为基础的方法，整合本体和规则的论点。缺省逻辑以其简单的语法和直观的语义，加上可用的计算结果，可以被认为是一个有吸引力的方法集成的本体和规则。
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。
Sustainable LLM Inference for Edge AI: Evaluating Quantized LLMs for Energy Efficiency, Output Accuracy, and Inference Latency
SINTEF（辛泰夫（挪威研究机构））；Singapore Management University（新加坡管理大学）；Oslo Metropolitan University（奥斯陆城市大学）；Kristiania University of Applied Sciences（克里斯蒂安尼亚应用科技大学）
本研究在Raspberry Pi 4上评估了28个量化LLM在能效、推理性能和准确率上的权衡，通过硬件级能耗分析与多数据集基准测试，为资源受限环境下的可持续LLM部署提供了可操作的见解。
