基于 I-DLV 的流推理系统 I-DLV-sr
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
该论文介绍了 DLV 系统,这是一种被广泛认为是分离逻辑编程的最先进实现的系统,并从多个方面进行了阐述,如 DLV 系统的核心语言定义,弱约束,计算复杂性分析,以及其在知识表示和推理,应用开发以及实验测试中的应用。
Nov, 2002
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。
Jul, 2019
我们提出了 I-DLV + MS,这是一种新的 Answer Set Programming(ASP)系统,它将高效的 grounder(即 I-DLV)与自动选择器相结合,该自动选择器根据由 I-DLV 产生的某些固有特征,通过机器学习技术指导选择最合适的求解器。该系统在最新的(第 7)ASP 竞赛中参加了常规轨迹,SP 类别(即只允许一个处理器),并获胜。正在《逻辑编程的理论与实践》(TPLP)评估中。
Sep, 2018
本文提出 DSR-LM 框架,通过符号编程实现不同 iable 符号推理框架,其中预训练的语言模型控制事实知识的感知,符号模块执行演绎推理,并改进了 LMs 的逻辑推理能力,结果表明其在推理基准测试中的精度提高了 20% 以上。
May, 2023
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
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
本文描述了 DLog—— 一种基于分辨率的描述逻辑推理系统。DLog 将描述逻辑公理转换为 Prolog 程序,并使用标准的 Prolog 执行有效地回答实例检索查询,是全 SHIQ 语言的 ABox 推理引擎。DLog 的方法使得个体能够储存在数据库中而不必放在内存中,这提高了可扩展性并有助于在现有信息源的基础上直接使用描述逻辑本体。
Apr, 2009