Aug, 2023

答案集编程的解释

PDF
TL;DRxASP2 是一个增强型的解释性人工智能系统，用于生成 Answer Set Programming（ASP）的解释图。与 xASP 不同，xASP2 支持不同的 clingo 构造，如选择规则、约束和聚合函数如 #sum、#min。该研究提供了一个能够将假设集合尽可能缩小并通过有向无环图形式展示解释的 ASP 广泛片段的可解释人工智能系统。
发现论文，激发创造
  • 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

  • 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

  • 使用选择原子和约束规则解释 ASP 程序

    介绍了一个名为 exp (ASPc) 的系统，它支持规则选择并利用约束规则提供一种可以包含选择和约束信息的文字解释图。

    Sep, 2021

  • 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

  • 答案集编程的成就

    本文介绍了一种应答集编程的方法论，该方法可以促进易于理解且可以证明正确的编码方案的设计。通过向正在形成的程序追加一个规则或一小组规则，并在其中包含一条陈述已经 “实现” 的注释，使我们能够以数学上精确的方式描述程序设计的细节。

    Aug, 2016

  • 非基础规则在答案集编程中的威力

    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。

    Aug, 2016

  • 基于启发式分解的答案集计算优化

    该研究提出了一种新的优化方法，基于树分解技术和启发式算法，可以将一个输入的逻辑程序转化为一个等价的程序以提高 ASP 系统的求解效率，并在实验中验证了其有效性。

    Dec, 2018

  • 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

  • 目标导向的约束答案集程序设计的证明

    使用基于约束的谓词应答集编程的查询驱动自顶向下执行模型 s (CASP) 生成完整解释树，为 ASP 应答集提供最小化且易于转化为自然语言的解释，显著促进了 ASP 程序理解和操作的可行性。

    Sep, 2020

  • 利用可能性理论对答案集语义进行特征化和扩展

    本文介绍了新的 Possibilistic ASP (PASP) 模型语义，其中规则被解释为对可能性分布的约束，并且在这些约束的特殊模型中识别为可能主义答案集。此外，我们还发现一种新形式的析取，称为弱析取，其计算复杂性比传统析取容易。

    Nov, 2013