此文介绍了使用多智能体认知逻辑演示 PAC 学习的技术基础，涉及逻辑和弱推理，以提供强大的模型理论框架来回答查询，并研究了该算法的正确性、样本复杂性以及其能够高效的情况，利用表述定理将模态推理纳入命题推理中。

Jun, 2023

本研究探讨了利用支持证明查询的数据集来学习规则的问题，通过修改足够不考虑知识库内容的后向证明搜索算法，可以同时学习这些规则，并使用它们进行证明搜索来给出像链接和解析这样的标准逻辑的算法。

Jun, 2019

本文通过利用语言中常量的对称性，将隐式可学习性推广，提出了一种在第一阶逻辑中进行强健学习的新理论方法。

Jun, 2019

本文提出了将模态逻辑和描述逻辑自动推理任务编码为 SAT 的方法，并测试表明这种方法可以处理大多数或所有的问题，并且性能与现有的最先进工具相当甚至更好。

Jan, 2014

本文通过使用范畴语言重新表达了具有一般 TBox 的描述逻辑 ALC 通常的集合论语义，从而为 ALC 的语义提供了一种更模块化的表示。我们展示了一个多项式空间的确定性算法用于检查概念满足性的子逻辑，该子逻辑在传统的集合论语义中是无法定义的。

May, 2022

该论文研究了使用 Angluin 等人的准确查询学习框架来学习描述逻辑本体的问题，证明了可以用多项式大小的多项式查询来学习用 DL-Lite 描述逻辑和某些和 OWL 2 RL 相关的 EL 片段描述的本体，但即使只允许非循环本体，也不能用多项式大小的查询来学习用 EL 描述逻辑描述的本体。

Sep, 2017

本文探讨了如何在 PAC 语义下通过隐式学习的方法处理具有噪声数据的线性算术语言中的阈值不确定性，证明了该框架具有多项式时间复杂度保证，并通过实验结果表明该方法优于显式方法来学习线性规划目标约束。

Oct, 2020

本文从理论角度研究终身学习，提出了 PAC-Bayesian 泛化界限，得出了两种原则性的算法并取得了可与现有方法相媲美的结果。

Nov, 2013

本文提出一种基于 PAC 学习框架的约束学习方法，该方法通过对经验风险最小化规则进行约束来解决分类问题中的偏差、不公平和不稳定性等问题，研究表明该方法能够实现约束学习的泛化。

Jun, 2020

本文提出了一种参数化 PAC 学习理论，通过该理论可对 CNF、DNF 和图形学习等问题的可行性边界进行更精细的界定，并发展了机器学习领域的参数化固定参数学习的概念。

Apr, 2023