- 概率与神经符号逻辑编程的半环
概率逻辑编程领域集中在将概率模型整合到基于逻辑的编程语言中。我们提供了一个统一的代数逻辑编程视角，表明大部分概率逻辑编程的扩展都可以在一个共同的代数逻辑编程框架中加以表述，其中事实用半环的元素标记，而析取和合取用加法和乘法替代。这不仅适用于 - 概率逻辑编程中的解释解释
基于可解释的概率逻辑编程和查询驱动的推理机制，本研究提出一种解释解释的方法，以使黑盒人工智能系统的解释更易理解。
- 基于概率逻辑编程系统 Fusemate 的自下而上语义引量
本文介绍了 Fusemate 概率逻辑编程系统，该系统的推理引擎包括一个基于变量消除的概率推理方法和一个推理组件。Fusemate 采用自下而上的方式，以动态地创建大小不同的分布。我们通过插入基于查询的关联测试来控制产生的地面子句数量，并通 - 离散 - 连续领域中的声明性概率逻辑编程
研究发现，虽然有已有的可扩展离散随机变量的分布语义和 PLP 语言及标准推理引擎，但是对于混合离散和连续随机变量的声明性语义还不够普及，因此本文提出了混合分布语义和混合 PLP 语言 DC-ProbLog 及其基于知识编译的推理引擎 inf - 混合概率逻辑编程：推理和学习
本文研究了概率逻辑编程，扩展了支持离散和连续随机变量，并引入了新的采样算法和混合模型，解决了从带有缺失值和概率背景知识的关系数据中学习 PLP 的问题。
- MM概率逻辑编程中的程序解释
该研究提出了一种新方法，利用概率逻辑编程模型来生成精简且有因果结构的解释程序，使得用户可以根据可视述词并隐藏不感兴趣的细节。
- MM一种运行时认知概率事件演算在电子健康系统决策中的应用
本文提出一种将感官数据和分类器与基于逻辑的决策系统相结合的运行时体系结构，应用于儿童神经运动障碍康复的电子健康系统中，并使用 Epistemic Probabilistic Event Calculus 等技术来改善儿童的表现。
- 混合概率逻辑程序中的一阶上下文特定似然加权
本文介绍了一种混合概率逻辑编程语言 DC#，它将分布式子句的语法与贝叶斯逻辑程序的语义原则集成到一起。该语言以质量为基础表示了三种独立性，并引入了可扩展的推理算法 FO-CS-LW，该算法是 CS-LW 的一阶扩展，结合了一阶统一和规则组合 - MM概率逻辑编程的渐近分析及其在表示正射系列分布中的应用
探讨了概率逻辑编程在统计关系人工智能中的具体应用及其在不同领域中的变化，解释了基于概率逻辑编程的统计关系表示随着变量域大小的复杂行为，揭示出抽象分布语义的必要性并给出了相应的具体证明。
- MM概率逻辑编程的 MAP 推断
本文探讨了在概率逻辑编程中计算最大后验概率和最可能解释的问题，并提出了一种将问题表示为二叉决策图并在其上应用动态规划过程的新算法，与 ProbLog 在多个合成数据集上的实验结果相比，PITA 的性能更佳。
- MM深度概率逻辑编程中的神经概率逻辑编程
DeepProbLog 是一种神经概率逻辑编程语言，通过神经谓词结合深度学习。它支持符号和子符号表示和推断、程序归纳、概率编程和深度学习，并结合了通用神经网络和表达式概率逻辑建模和推理。
- MM基于采样的多模型优化的可导可满足性和可导答案集编程
本文介绍了 Differentiable SAT/ASP 方法，使用梯度下降分支机制采样不同模型进行多模型优化，其主要应用包括分布感知模型采样和富有表现力的可扩展概率逻辑编程，并提出了算法性能检测软件 DelSAT，实验表明该方法性能强劲， - IJCAI使用有序二元决策图上的传播进行随机约束优化
本研究提出了一种基于 SC-ProbLog 的新方法来解决 SCOPs（Stochastic Constraint Optimization Problems）。相比先前使用 PLP 技术创造 OBDD 的方法，我们的方法更具高效性和领域一 - AAAI稳定模型计数及其在概率逻辑编程中的应用
本文研究了使用稳定模型语义进行推理的问题，提出了两种基于未建立的集合检测的实现技术，扩展了命题模型计数器到稳定模型计数器，可以在时间和空间使用方面显著优于现有的解决方案。
- MM概率逻辑编程的升级变量消除
本文提出 LP$^2$ 算法来解决概率逻辑编程中的查询问题。LP$^2$ 是通过将 Generalized Counting First Order Variable Elimination (GC-FOVE) 转换为 Prolog Fac - MM概率逻辑编程事件演算
基于符号表示的视频内容，我们提出了一个识别人类活动的系统：以时间戳的短期活动 (STA) 为输入，输出由预定义的 STA 时间组合的长期活动 (LTA)，这些 STA 限制已经通过事件演算的方言表达，并适应了最新的概率逻辑编程框架，通过对人 - 加权 CNF 在概率逻辑编程中的推断
本文旨在开发高效的推理算法，将概率逻辑程序和查询、证据转换为加权 CNF 公式，将推理任务视为加权模型计数，使用最先进的方法探究多种程序转换和加权 CNF 推理方法，并在实验中展示了新方法相对于现有技术的优势。
- PITA 系统：带表和答案包含的不确定推理
本文介绍了概率逻辑编程（PLP）及其相关技术（如 PRISM、Possibilistic Logic Programming 等），并展示了 PITA 系统如何能够高效支持 PLP、PRISM 和 PLP。
- MMCP-logic：因果概率事件语言及其与逻辑规划的关系
本文介绍了一种逻辑语言，用于表示概率因果律，该语言可以被用于概率逻辑编程，并且可以自我解释为概率因果律的表示方法，从而提供了解释这些编程背后想法的新方法。