该研究的目标是扩展支持 ASP 程序验证的工具和理论,旨在促进知识表示和推理的发展,并解决人工智能中的可靠性和可解释性问题。
Aug, 2022
该论文提出了一种新的 ASP 编码模式,通过利用实际问题的大规则来编码难题,尤其针对 NP 问题能提供更强的表达能力,并且提供基于规则分解技术的解决方案,初步的基准测试表明,放弃固定程序的简便方式可以显著提高速度。
Aug, 2016
本文提出了一种在现有 ASP 求解器基础之上通过应用机器学习方法,通过识别 ASP 程序的一组易于计算的句法特征,并对这些实例上的性能表现进行归纳学习算法选择策略,从而能够比第三届 ASP 竞赛的任何求解器都更有效地解决实例。
Jun, 2013
本文使用 ASP 系统 clingo 提供的条件量词的析取形式,提供了三种著名的辩论语义的新编码,这些编码不仅比以前的版本更简洁,而且在标准基准测试中也表现优异,从而为高级辩论系统的高效解决方案的设计提供了一步关键。
Jul, 2015
人工智能的可解释性越来越受到关注,本研究试图填补 Answer-set Programming 中的解释支持的空白,并通过扩展语言支持和开发新的解释形式(如对比解释)来推进可解释 ASP 的研究。
Aug, 2023
该研究论文介绍了一种将 Answer Set Programming(ASP)的知识表示和推理能力整合到通用应用程序中的框架,并且展示了在不同平台的 ASP 系统中,特定化该框架的正确方法,包括移动平台和教育场景,并开发了几个基于 ASP 的应用程序。
Jul, 2017
本文介绍了一种基于可能逻辑的新 ASP 模型,称为 Possibilistic answer set programming(PASP)。通过将对 PASP 程序中的规则的确定性附加到每个规则上,我们提出了一种更加合适的 PASP 语义,并且该框架可以轻松使用标准 ASP 求解器实现。
Mar, 2012
本文介绍了如何使用 ASP 建立心理学领域的知识形式化,以更加准确的研究、比较和验证理论。作者应用 ASP 技术,对短期记忆机制进行了形式化描述,进而预测用户与图形界面的交互。
Jul, 2010
该论文为对 ASP 的解释性研究做出了概述。主要关注 ASP 的不同解释方式及其异同,并探讨其在未来的成功应用中的重要性。
Sep, 2018
本文调查了过去 2.5 十年中应用答案集编程(ASP)计算规划问题方面的进展和优劣,阐述了答案集规划的优缺点,给出了一些典型的应用方法和未来研究的挑战。
Feb, 2022