May, 2023

ASPER：用于联合实体关系抽取的答案集编程增强神经网络模型

PDF
TL;DR本文介绍了 ASP-enhanced Entity-Relation extraction (ASPER) 方法，通过将 Answer Set Programming (ASP) 中的实际知识（表示为事实）和派生知识（表示为规则）与神经网络模型相结合，来联合识别实体和关系并从中学习。实验结果表明，ASPER 方法在两个真实数据集上均优于三个基线模型。
发现论文，激发创造
  • NeurASP：将神经网络融入 Answer Set Programming

    NeurASP 是一种简单的扩展答案集程序的方法，它综合了神经网络的子符号计算和符号计算。它可以利用预训练的神经网络进行符号计算并通过应用答案集程序中的符号推理来提高神经网络的感知结果。此外，通过使用 ASP 规则训练神经网络，它还可以从规则表达的复杂语义约束中学习，以便神经网络不仅可以从数据的隐式相关性中学习，还可以从规则表达的显式约束中学习。

    Jul, 2023

  • 可解释的答案集编程

    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

  • 一个便于应用嵌入 Answer Set Programming 的开发框架

    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

  • 一种多引擎的答案集编程方法

    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

  • 验证答案集编程的工具和方法

    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

  • 回答应答集规划中的 “为什么” - 解释方法综述

    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

  • 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

  • 第七届答案集编程竞赛：设计与结果

    本文介绍了关于 Answer Set Programming 的比赛，并讨论了设计和结果。

    Apr, 2019

  • 逻辑与学习之桥：一种增强神经模型推理能力的神经符号方法 (ASPER)

    该研究通过融合神经网络和符号推理的神经符号学习方法，以提高神经模型在推理任务上的性能，通过整合 ASP 求解器和领域特定专业知识来训练浅层人工神经网络（ANN）以解决数独难题，有效提高了训练效率，超参数调优无需 12 个数独练习即可显著改善数独难题的解决能力，该研究结果表明该模型的增强推理能力在实际应用中具有潜在的广泛领域应用。

    Dec, 2023

  • ASPeRiX，基于一阶前向链接技术的答案集计算方法

    该论文提出了一种将 Answer Set Programming 应用于人工智能或在解决组合问题时表示知识的自然方法，其中介绍了一种前向链接的方法，通过在搜索过程中将规则的实例化与之融合来避免了先前的阶段。

    Mar, 2015