Jul, 2019

LARS 流推理的分布式方法（系统论文）

PDF
TL;DR本文提出了一种分布式流推理方法，可以在不同解算器之间分配计算并通过数据流通信的方式高效地处理决策问题。在 LARS 语言中提出一种基于间隔的语义，以对网络流量进行显着降低，并在评估中明确表明，分布式流推理在处理复杂的决策问题和不断增长的数据率时明显优于现有的独立 LARS 解算器。
stream reasoning systemsdistributed approachlars languagedata streamscomplex decision-making
发现论文，激发创造
  • 使用 Laser 的表达性流推理

    Laser 是一种新的 reasoner，它支持扩展 Answer Set Programming（ASP）的 LARS 逻辑的实用、非平凡片段，并实现了一种新颖的评估过程，从而使表达式带注解，以避免在多个时间点重复计算，进而实现对大流的表达式逻辑推理，为流推理用例开启了更广泛的应用范围。

    Jul, 2017

  • 基于 Datalog 的流推理语言的正式比较（扩展版）

    通过比较 LARS 程序及 LDSR 语言的表达能力，本文找出了各自的限制条件并确定了它们可以相互表达的片段。

    Aug, 2022

  • 使用存在性规则追踪流

    研究如何通过对临时流数据进行查询应答来研究与存在性规则推理的推理方法，提出了基于 LARS 的方法，该方法支持存在性规则，同时通过引入合适的时间无环性概念来保证规则的可决定性。

    May, 2022

  • 基于 I-DLV 的流推理系统 I-DLV-sr

    基于逻辑的数据流推理系统，利用 Apache Flink 和 I^2-DLV 系统的框架实现了紧密微调的交互。

    Aug, 2021

  • 基于强化学习的流推理缓存策略管理

    本文提出了一种基于冲突驱动约束学习（CDCL）的方法，通过智能管理学习到的约束条件来有效地更新流推理算法的遗留解决方案，研究了强化学习在连续评估先前计算的约束条件的实用性，并在真实世界的重构问题上取得了显着的性能提升，为流推理场景提供了新的解决思路。

    Aug, 2020

  • 面向流推理的答案集编程

    通过使用 ASP 技术，本研究在解决物联网、传感器技术、连续数据流、流推理等领域中的关键问题。

    Jan, 2013

  • 多智能体系统中的推理能力：限制、挑战和以人为中心的解决方案

    利用大型语言模型（LLMs）在多项任务中取得的显著表现带来了在实际环境中利用它们的许多机遇和挑战。为了实现 LLMs 的实际采用，多智能体系统在使用现有专有数据和模型应对复杂现实任务的企业平台的更大背景下，具有增强、整合和协调 LLMs 的巨大潜力。本文提出了 “推理能力” 概念作为统一准则，以实现在优化过程中整合约束并建立系统内不同组件之间的联系，从而实现更全面、综合的评估方法。我们提出了推理能力的正式定义，并说明其在识别系统每个组件的限制方面的实用性。然后，我们讨论了如何通过自反思的过程来解决推理中的缺陷，并增强整个系统的一致性，其中利用人的反馈来缓解推理不足问题。

    Feb, 2024

  • 自动推理中相关问题集的轻量级在线学习

    自驱动策略学习是一种轻量级在线学习方法，适用于解决一组相关问题的自动化推理任务。它使用机器学习模型根据数据集调整后续问题的解决策略，从而实现更好的边界模型检查性能。

    May, 2023

  • 在数据库和逻辑编程系统中尝试递归查询

    本文介绍了一个名为 DLV$^{DB}$ 的新系统，该系统旨在解决推理海量数据时存在的主存限制，外部数据库管理系统的互动不易等问题，并在比较逻辑推理和数据库的几个先前的系统（LDL ++，XSB，Smodels 和三个顶级商业 DBMS）的实验分析中获得了显着的效能优势。

    Apr, 2007

  • 面向基于流式架构的约束型和保护型 Datalog$+-$ 的本体推理（技术报告）

    利用 Datalog+/- 语言中的 Shy 和 Warded Datalog+/- 以及引入的新型推理技术 'chase variants'，在基于流式处理架构中实现了 Vadalog 引擎，从而在真实环境中高效解决本体推理任务。

    Nov, 2023