本篇论文描述了一种能够解决 Epistemic Logic Program(ELP)中更难的问题的求解器,并且相比其他已知的 ELP 求解器,该求解器更快且不具有指数级别的内存需求,该语言为 Answer Set Programming 的拓展,引入了模态运算符 K 和 M。
Aug, 2016
通过引入新的定义和语义属性,我们分析了在 Epistemic Logic Programs 中从自底向上到自顶向下的分割方法,并证明了它与自底向上方法的等价性。
Sep, 2023
研究 ELP 模块的等价性以及如何使用一种新的特征来直接应用于最先进的 ELP 求解器,证明判定两个 ELP 的一致性在计算复杂性的多项式层级中是可行的。
Jul, 2019
本文报告了认知逻辑程序求解器的开发现状,讨论了扩展应用答案集编程中提出的认知规范语言,其中包含了模态运算符 K(“已知”)和 M(“可能为真”),以提供更强大的内省推理和增强功能,特别是在处理不完整信息时。
Sep, 2018
本文提出了一种将 Logic Production System (LPS) 中的 Kernel(KELPS)系统地映射成 Answer Set Programming (ASP) 的方法,并以一个新的有限模型变体 n-distance KELPS 作为实现基础。最后,提出了一个整合 KELPS 和 ASP 优点的混合框架。
Sep, 2021
本篇论文介绍了一种利用图形方法和动态规划结合已有的搜索求解器来解决定量推理问题的新系统,可以有效地处理 Answer Set Programming 方法中 epistemic logic programs 的复杂问题。
Aug, 2021
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。
本文介绍了一种基于声明式编程技术的多智能体认知情境下的推理问题的解决方案,即 PLATO(基于 ePistemic 多智能体 Answer Program 解决方案),利用自定义认知状态表征和 ASP 求解器的效率,在从文献中收集的基准测试中取得了有竞争力的性能结果,并为其正确性开发了形式验证。
Aug, 2020
该研究论文介绍了归纳逻辑程序设计的目标,提出了一种新的程序学习方法,能够更广泛地适用于偏爱学习,包括默认和异常情况的通识知识,并学习非确定性理论。同时,论文还总结了程序的演变历程,特别强调了可伸缩性。
May, 2020
这篇论文介绍了基于冲突驱动的归纳逻辑编程方法, 主要使用 Answer Set Programs(ASP)进行学习, 以提高可扩展性,并提出了可以处理噪声数据集的 ILASP3 和 ILASP4 系统。
Dec, 2020