Complexity of Prioritized Default Logics
在缺省推理中，通常不是所有可能的解决缺省规则之间冲突的方法都是可接受的。表达解决冲突的可接受方式的标准可以在推理机制中硬连线，例如继承推理中的特异性可以以这种方式处理，或者它们可以抽象地作为默认规则的排序。在这篇文章中，我们调查形式化的后一种方法在赖特的默认逻辑。我们的目标是分析和比较三个这样的形式化的计算复杂性的计算特性：优先默认逻辑的Baader和Hollunder，和Brewka，优先默认逻辑是基于词典比较。分析位于这些逻辑的第二和第三层次的多项式的命题变体，并确定了边界之间的听话和棘手的推理优先级默认理论的限制类。
2011-05-27 cs.AI
Prioritised Default Logic as Argumentation with Partial Order Default Priorities
我们表示Brewka的优先默认逻辑（PDL）的论证使用ASPIC+。通过将PDL表示为论证并设计一个考虑论证结构的论证偏好关系，我们证明了合理论证的结论对应于PDL扩展。我们将首先假设默认的优先权是总的，然后推广到它是偏序的情况。这提供了一个特征的非单调推理在PDL作为一个交换的论点和反论点，提供了一个基础上的分布式非单调推理的对话形式。
2016-08-25 cs.AI
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。
2011-11-07 cs.AI
Strong Backdoors for Default Logic
本文在Reiter的命题缺省逻辑中引入了后门的概念，研究了它的结构性质，并考虑了各种目标类（cnf，horn，krom，monotone，identity）的后门检测（以解的大小为参数）和后门求值（以给定后门的大小为参数）问题。我们发现，后门检测是固定参数的听话的目标类，后门评估是固定参数听话的，在para-DP 2，或在para-NP，这取决于目标类。
2016-02-19 cs.AI cs.CC cs.LO
Uniform semantic treatment of default and autoepistemic logics
我们重新审视了非单调推理中两种主要形式主义之间的联系：自认知逻辑和缺省逻辑。对于每个逻辑，我们开发了一个全面的语义框架的基础上的概念的信念对。所有信念对的集合与所谓的知识排序一起形成一个完整的格。对于每一个逻辑，我们介绍了几个语义的信念对格上的运营商的不动点。我们的研究结果阐明了各自的语义结构的基本同构。特别是，我们表明，由Konolige提出的模态公式的默认值的解释，使我们能够代表所有的语义默认逻辑的相应的语义的自认识逻辑。因此，我们的研究结果最终确定，默认逻辑确实可以被视为一个片段的自我认知逻辑。然而，正如我们还证明的那样，Moore和Reiter的语义是由不同的运算符给出的，并且在其相应的语义族中占据不同的位置。这一结果解释了长期以来难以将这两种语义正式联系起来的原因。在本文中，我们还讨论了近似怀疑推理与自认知和默认逻辑，并建立建设性的原则背后的这种近似。
2000-02-03 cs.AI
Learning Possibilistic Logic Theories from Default Rules
Cardiff University（卡迪夫大学）；KU Leuven（鲁汶大学）
我们介绍了一个设置学习可能性逻辑理论的默认形式“如果阿尔法，然后通常β”。我们首先从机器学习理论的角度来分析这个问题，确定VC维度的可能性分层以及相关的学习问题的复杂性，之后，我们提出了一个启发式学习算法，可以很容易地扩展到数千个默认值。我们的方法的一个重要属性是，它本质上能够处理嘈杂和冲突的默认设置。除此之外，这使我们能够从众包数据中学习可能性逻辑理论，并使用启发式MAP求解器来近似命题马尔可夫逻辑网络。我们目前的实验结果表明，这种方法的有效性。
2016-04-18 cs.AI
Default Logic and Bounded Treewidth
TU Wien（维也纳工业大学）；University of Potsdam（波茨坦大学）；Leibniz Universität Hannover（汉诺威莱布尼茨大学）
本文研究了输入理论的一种图表示（半本原图）的树宽有界时的Reiter命题缺省逻辑。我们建立了一个关于树分解的动态规划算法，以决定一个理论是否有一个一致的稳定扩张（Ext）。我们的算法甚至可以用来枚举所有生成的默认值（ExtEnum），导致稳定的扩展。我们表明，我们的算法决定外的线性时间在输入理论和三倍指数时间的树宽（所谓的固定参数线性算法）。此外，我们的算法解决了ExtEnum的预计算步骤，是线性的输入理论和三倍指数的树宽，然后是一个线性延迟输出解决方案。
2017-12-30 cs.AI cs.CC cs.LO
Argumentation Semantics for Prioritised Default Logic
King’s College London（伦敦国王学院）
利用结构化论证的ASPIC+框架，赋予优先缺省逻辑（PDL）以论证语义，并证明了论证的结论就是优先缺省扩展. PDL的论证语义将允许论证博弈证明理论应用于PDL中的推理过程，使得接受结论的原因透明，推理过程更直观。这也开辟了基于辩论的分布式推理和代理人之间的沟通与PDL表示的心理态度的可能性。
2015-07-01 cs.AI
Rules, Belief Functions and Default Logic
Queen Mary and Westfield College（玛丽女王与韦斯特菲尔德学院）
本文描述了一个基于信念函数的规则自然框架，它包括数值规则、缺省规则、允许和不允许对位的规则。特别是它证明了使用的Dempster-Shafer理论代表一个特定的类别的规则，信念计算是一个较低的概率给定一定的独立性假设的基础空间。它显示了如何一个信念函数框架可以推广到其他逻辑，包括一般的蒙特卡罗算法计算信念，以及如何一个版本的赖特的默认逻辑可以被视为一个限制情况下的信念函数形式主义。
2013-03-27 cs.AI
A Logic for Default Reasoning About Probabilities
Max-Planck-Institut fur Informatik（马克斯·普朗克信息学研究所）
定义了一种逻辑，它允许表达关于统计概率和关于特定命题的置信度的信息。通过在一个共同的概率空间中解释两种类型的概率，给出的语义非常适合于模拟统计信息对主观信念形成的影响。交叉熵最小化是这些语义中的一个关键元素，它的使用是合理的，表明所产生的逻辑表现出一些非常合理的属性。
2013-02-27 cs.AI
A note on the Declarative reading(s) of Logic Programming
本文分析了逻辑程序设计的说明性阅读。逻辑编程--以及作为失败的否定--没有唯一的声明性阅读。一个普遍的观点是，逻辑编程是默认推理的逻辑，默认逻辑或自动认知逻辑的子形式主义。在这种观点中，作为失败的否定是一个模态算子。在另一种观点中，逻辑程序被解释为定义。在这种观点中，作为失败的否定是经典的客观否定。从常识的角度来看，这两种观点肯定是有区别的。令人惊讶的是，这两种类型的声明性阅读都导致了相同的模型语义。本说明调查了这一情况的原因。
2000-03-13 cs.AI cs.LO
Default reasoning over domains and concept hierarchies
W.C.圆和G。- Q. Zhang（2001）提出研究一种推广到代数域的析取逻辑编程形式。该系统允许推理的信息是分层结构，并形成一个（合适的）域。我们扩展这个框架，包括推理与默认否定，从而产生一个新的非单调推理框架的层次知识，其中包括答案集编程与扩展的析取逻辑程序。我们还表明，层次结构的知识，编程在这种模式下可以做的，产生非常自然的正式概念分析。总之，我们得到了一个默认的推理范式的概念知识，这是根据非单调推理的主流发展。
2004-09-01 cs.AI cs.LO
Outlier detection in default logics: the tractability/intractability frontier
University of Calabria（卡拉布里亚大学）；Jerusalem College of Engineering（耶路撒冷工程学院）
在默认理论中，离群值表示具有意外属性的文字集。在以前的论文中，我们定义了缺省逻辑中的离群点，并研究了它们的形式性质。具体来说，我们已经研究了异常值检测问题的计算复杂性，并证明，虽然它们通常是棘手的，有趣的易处理的情况下，可以挑选出来。根据这些结果，我们在这里研究离群点检测问题的易处理性边界，通过分析它（i）考虑离群点检测问题，（ii）参考默认逻辑片段，（iii）采用离群点的概念。对于第（i）点，我们将考虑三个日益复杂的问题，分别称为离群点-证人识别，离群点识别和离群点存在。至于第（ii）点，当我们寻找可以有效地进行离群点检测的条件时，注意力将限于无析取命题缺省理论的子集。至于第（iii）点，我们将参考[ABP 08]的离群值概念和一个新的更具限制性的概念，称为强离群值。在复杂性结果的基础上，我们提出了一个多项式时间算法来计算拟无循环正态一元缺省理论中所有有界强离群点。我们的一些易处理性的结果依赖于增量引理，提供了条件的一个contrult逻辑片段具有单调的行为。最后，为了表明我们处理的DL的简单片段仍然足够丰富，以解决有趣的问题，因此，我们证明的易处理性结果不仅在理论方面是有趣的，这些片段的表达能力的见解，通过显示正常的一元理论表达所有NL查询，从而间接回答了考茨和塞尔曼提出的问题。
2013-10-30 cs.AI cs.CC cs.LO
On the Parameterized Complexity of Default Logic and Autoepistemic Logic
Universität Hannover（汉诺威大学）；Université de la Méditerranée（地中海大学）；TWT GmbH（TWT有限公司）
本文研究了Courcelle定理和Elberfeld等人的对数空间形式的应用。在命题公式集的蕴涵问题、缺省逻辑的扩张存在问题以及自认知逻辑的扩张存在问题的背景下，得到了这些问题的固定参数时空有效算法.另一方面，我们展示，对于上述每个问题，一个非常简单的结构，对于广泛的不同的参数化，没有有效的固定参数算法（即使在大类XPnu的意义上）的实例的家庭，除非P=NP。
2011-10-06 cs.AI cs.CC
Description of GADEL
本文介绍了GADEL系统的第一个实现：缺省逻辑的遗传算法。GADEL的目标是在Reiter的默认逻辑中计算扩展。它接受各种有限命题缺省理论，并基于遗传算法的进化原理。对某些问题实例的初步实验结果表明，这种新的问题处理方法是成功的。
2000-03-07 cs.AI cs.LO
Sequential Thresholds: Context Sensitive Default Extensions
University of Rochester（罗切斯特大学）
缺省逻辑在表示常识推理任务时遇到了一些概念上的困难。我们认为，我们不应该试图制定模块化的默认规则，假定在所有或大多数情况下工作。我们需要考虑到在推理过程中不断演变的背景的重要性。顺序阈值化是默认逻辑的定量对应物，它明确了上下文在非单调扩展的构建中所扮演的角色。我们提出了一个通用的非单调推理的语义特征，以及有关默认逻辑和顺序阈值的实例。这提供了两种机制之间的联系，以及一种整合两者的方式，对双方都有利。
2013-02-06 cs.AI
Probabilistic Disjunctive Logic Programming
在本文中，我们提出了一个框架相结合的析取逻辑编程和普尔的概率角溯因。我们使用假设的概念来指定概率结构。我们考虑概率信息不可用的情况。我们不使用概率区间，而是允许指定析取的概率。由于最小模型被用作选言逻辑程序设计中的特征模型，我们应用最小模型集上的无差异原理来推导违约概率值。我们定义了公式的解释和部分解释的概念，并用它们来确定程序诱导的违约概率分布。提出了一种计算目标违约概率的算法。
2013-02-13 cs.AI
Nonmonotonic Probabilistic Logics between Model-Theoretic Probabilistic Logic and Probabilistic Logic under Coherence
最近，它已被证明，概率蕴涵下的一致性是弱于模型理论的概率蕴涵。此外，概率蕴涵下的一致性是系统P中的默认蕴涵的推广。在本文中，我们继续这条线的研究，提出了更复杂的概念之间的模型理论的概率蕴涵和概率蕴涵下的一致性的经典默认蕴涵的概率概括。也就是说，新的形式主义适当地推广了经典缺省推理中的对应形式，它们比模型论概率蕴涵弱，但在一致性下比概率蕴涵强。新的形式主义是有用的，特别是处理概率不一致的条件下零事件。它们也可以应用于概率信念修正。更一般地说，在相同的精神，类似以前的文件，本文揭示了令人兴奋的新的形式主义概率推理超出了众所周知的标准。
2002-07-22 cs.AI
On Strong and Default Negation in Logic Program Updates (Extended Version)
CENTRIA；New University of Lisbon（新里斯本大学）
现有的语义回答集程序更新分为两类：要么他们认为只有强否定的头部规则，或者他们主要依赖于默认否定的头部规则，并可选地提供支持强否定的语法转换。在本文中，我们指出了这两种方法的局限性，并认为这两种类型的否定应该是一等公民的背景下更新。我们确定的原则，合理地限制他们的互动，但不同时满足任何现有的规则更新语义。然后，我们扩展了一个最先进的语义直接支持强否定，并表明它满足概述的原则以及各种其他可取的属性。
2014-07-09 cs.AI
Redundancy in Logic III: Non-Mononotonic Reasoning
给出了限制理论和缺省理论的冗余性结果。特别是，建立一个给定的理论是否是冗余的复杂性。
2005-10-12 cs.AI cs.CC cs.LO
Enablers and Inhibitors in Causal Justifications of Logic Programs
University of Corunna（拉科鲁尼亚大学）
出现在逻辑编程理论与实践（TPLP）中。在本文中，我们提出了一个扩展的逻辑编程（LP），其中每个默认文字来自良好的基础模型相关联的理由表示为一个代数表达式。这个表达式包含因果解释（以规则标签构建的证明图的形式）和否定范围内的术语，这些术语代表启用或禁用因果规则应用的条件。使用一些例子，我们讨论了这些新的条件，我们分别称之为“使能”和“抑制剂”，是密切相关的默认否定，并有一个本质上不同的性质，从定期的因果关系。最重要的结果是一个正式的比较，最近的代数方法的理由在LP：“为什么不种源”（WESTERN）和“因果图”（CG）。我们表明，目前的方法扩展了WESTERN和CG的理由下的基础良好的语义，作为副产品，我们还建立了这两种方法之间的正式关系。
2016-02-22 cs.AI cs.LO
Two results for proiritized logic programming
优先缺省推理在知识表示和推理中表现出了丰富的表达能力和灵活性。然而，优先缺省推理的许多重要方面还有待深入探讨。在本文中，我们研究两个性质的优先级逻辑程序的背景下，回答集语义。具体来说，我们揭示了一个密切的关系，相互可撤销性和唯一性的答案集的优先级逻辑程序。然后，我们探讨如何扩展逻辑程序的分裂技术可以扩展到优先级的逻辑程序。我们证明了分裂定理，可以用来简化在一定条件下的优先级逻辑程序的评价。
2002-03-05 cs.AI
Conditioning on Disjunctive Knowledge: Defaults and Probabilities
University of New Brunswick（新不伦瑞克大学）
许多作者观察到，缺省逻辑似乎包含概率论的“彩票悖论”。当一个默认的“矛盾证明”让我们得出结论，一个典型的X不是一个Y，其中Y是X的一个不寻常的子类时，就会出现这种情况。我们发现，有一个类似的问题与默认的“证明的情况下”，并构建一个设置，我们可能会得出不同的结论，知道一个析取比我们知道任何特定的析取。虽然赖特的原始形式主义是能够代表这种区别，其他方法是没有。为了表示和推理这种情况，默认逻辑学家必须指定如何选择一个“典型”个体。这个问题与概率论中的辛普森悖论密切相关。如果我们接受一个简单的概率帐户的默认的基础上的概念，一个命题可能有利于或增加相信另一个，“多重扩展问题”的合取和析取知识消失。
2013-03-27 cs.AI
Evaluating Defaults
我们试图找到规范性标准的充分性非单调逻辑类似的标准的有效性演绎逻辑。我们不是规定一个推论的结论在前提为真的所有模型中为真，而是要求一个非单调推论的结论在前提为真的某种类型的“几乎所有”模型中为真。这种“某种”规范挑选出与推理相关的模型，考虑到诸如特异性和精确性以及先前的推理等因素。表征相关模型的频率反映了我们实际世界中的已知频率。默认推理的充分性标准可以通过阈值化扩展到扩展的充分性标准来扩展。我们表明，这避免了令人难以置信的，否则可能会导致连锁的默认推理。模型的比例，当解释的频率，提供了一个可验证的基础默认规则，并可以成为从统计数据生成默认规则的基础。
2002-07-24 cs.AI
Limitations of Skeptical Default Reasoning
University of Manchester（曼彻斯特大学）
普尔已经证明了非单调逻辑不能正确地处理彩票悖论。在本文中，我们将表明，波洛克的理论，可废止推理失败的原因是相同的：可废止推理是不兼容的怀疑概念的可推导性。
2013-02-06 cs.AI
Bisimulation and expressivity for conditional belief, degrees of belief, and safe belief
LORIA, CNRS / Université de Lorraine（洛里亚研究所、法国国家科学研究中心 / 洛林大学）；DTU Compute, Technical University of Denmark（丹麦技术大学计算学院）
可信性模型是Kripke模型，代理人使用它来推理他们自己和彼此的知识和信念。这些模型被用来解释条件信念、信念度和安全信念的概念。条件信念逻辑既包含该模态，也包含知识模态，信念度逻辑和安全信念逻辑也是如此。关于这些逻辑，可扩展性模型可能包含太多信息。需要一个适当的互模拟概念来表征它们。我们定义了互模拟的概念，并证明了所需的特征：类的图像有限和原像有限的模型（相对于可扩展性关系），两个指向Kripke模型是模态等价的三个逻辑中的任何一个，当且仅当它们是双相似的。结果，这种模型的信息内容可以类似地用条件信念逻辑、信念程度逻辑或安全信念逻辑来表示。我们发现了一个惊人的结果。然而，这并不意味着逻辑具有同样的表达性：条件和信念度的逻辑是不可比较的，信念度的逻辑和安全信念的逻辑是不可比较的，而安全信念的逻辑比条件信念的逻辑更具表达性。鉴于互模拟表征的结果，这是一个同样令人惊讶的结果。我们希望我们的见解可能有助于不断增长的社区正式认识论和定性和定量建模之间的关系。
2016-02-25 cs.AI cs.LO
A Clustering and Demotion Based Algorithm for Inductive Learning of Default Theories
The University of Texas at Dallas（得克萨斯大学达拉斯分校）
我们提出了一个聚类和降级为基础的算法称为Kmeans-FOLD诱导非单调逻辑程序从正面和负面的例子。我们的算法改进上，并受到启发的FOLD算法。FOLD算法本身是对FOIL算法的改进。与FOLD算法相比，我们的算法生成更简洁的逻辑程序。我们的算法使用基于K-means的聚类方法聚类的输入正样本之前，应用FOLD算法。在中间步骤中被部分学习的程序覆盖的正例不像在FOLD算法中那样被丢弃，而是被降级，即，它们的权重在算法的后续迭代中减小。我们在UCI数据集上的实验表明，K-Means聚类和我们的降级策略相结合，对具有多个正例聚类的数据集产生了显着的改善。由此产生的诱导程序也更简洁，因此更容易理解的FOLD和ALEPH系统相比，两个国家的最先进的归纳逻辑程序设计（ILP）系统。
2021-09-26 cs.AI
Safe Reinforcement Learning via Probabilistic Logic Shields
KU Leuven（鲁汶大学）；Örebro University（厄勒布鲁大学）
安全强化学习（Safe RL）旨在学习最优策略的同时保持安全。安全RL的一个流行解决方案是屏蔽，它使用逻辑安全规范来防止RL代理采取不安全的操作。然而，传统的屏蔽技术很难与连续的端到端深度RL方法集成。为此，我们引入概率逻辑策略梯度（PLPG）。PLPG是一种基于模型的安全RL技术，它使用概率逻辑编程将逻辑安全约束建模为可微函数。因此，PLPG可以无缝地应用于任何策略梯度算法，同时仍然提供相同的收敛保证。在我们的实验中，我们表明，PLPG学习更安全，更有益的政策相比，其他国家的最先进的屏蔽技术。
2023-03-06 cs.AI cs.LG
Reasoning about Minimal Belief and Negation as Failure
我们研究MBNF的命题片段中的推理问题，Lifschitz引入的最小信念和否定的逻辑，它可以被认为是几个非单调形式主义的统一框架，包括默认逻辑，自认知逻辑，限定，认知查询和逻辑编程。我们描述的复杂性，并提供算法的命题MBNF推理。特别是，我们表明，蕴涵命题MBNF位于第三级的多项式层次，因此，它比推理在所有上述命题形式主义的非单调推理。我们还证明了MBNF中的否定失败和摩尔的自认知逻辑中的否定内省之间的确切对应关系。
2011-06-01 cs.AI
Temporal Logic Specification-Conditioned Decision Transformer for Offline Safe Reinforcement Learning
Boston University（波士顿大学）
针对离线安全强化学习在复杂时序逻辑任务中的不足，提出时序逻辑规范条件化Decision Transformer（SDT）框架，结合STL表达力与DT序列建模能力，在DSRL基准上实现了更安全、高奖励的策略学习。
2025-01-24 cs.AI cs.LG
Provably Safe Neural Network Controllers via Differential Dynamic Logic
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；DePaul University（德保罗大学）；Carnegie Mellon University（卡内基梅隆大学）
提出VerSAILLE和Mosaic方法，结合微分动态逻辑与神经网络验证，实现无限时间安全性的可证明保证，并在基准上显著优于现有工具。
2024-10-24 cs.AI cs.LG cs.LO
Safe Control under Uncertainty
UC Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
本文提出Probabilistic Signal Temporal Logic（PrSTL）用于定义随机属性并确保概率保证，通过该逻辑合成安全控制器，应用于四旋翼和自动驾驶车辆等案例。
2015-10-25 cs.AI cs.LO cs.RO
Human-Inspired Neuro-Symbolic World Modeling and Logic Reasoning for Interpretable Safe UAV Landing Site Assessment
Macquarie University（麦考瑞大学）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
NeuroSymLand通过结合神经符号方法，实现了可解释的安全无人机着陆点评估，优于现有基线方法。
2026-07-20 cs.AI cs.RO
Gaming-Resistant Insurance Contracts for Autonomous AI Agents: Strategy-Proof Toll Mechanism Design
Hao-Hsuan Chen（何浩轩）
本文扩展了时间一致精算运行时的框架，使运营商策略化，刻画了自主AI代理保险合约的五种攻击空间，并证明了精算运行时的抗博弈性，通过新合约条款实现激励兼容。
2026-06-19 cs.AI cs.GT q-fin.RM
