可解释的答案集编程
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
xASP2 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。
Aug, 2023
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
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
本文介绍了如何使用 ASP 建立心理学领域的知识形式化,以更加准确的研究、比较和验证理论。作者应用 ASP 技术,对短期记忆机制进行了形式化描述,进而预测用户与图形界面的交互。
Jul, 2010
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
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