answer set programming
PulseAugur coverage of answer set programming — every cluster mentioning answer set programming across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
ZeroFolio 使用文本嵌入进行无需领域知识的算法选择
研究人员开发了一种新颖的无特征算法选择方法，称为 ZeroFolio，它利用预训练的文本嵌入来区分问题实例，而无需领域特定知识。该方法包括将原始实例文件序列化为纯文本，使用预训练模型对其进行嵌入，然后通过加权 k-近邻选择算法。在 11 个 ASlib 场景上的评估表明，在大多数情况下，ZeroFolio 的表现优于在手工制作的特征上训练的随机森林，并且在没有广泛调优的情况下，其性能与 AutoFolio 非常接近。
-
新的计算方法增强了度量时间答案集编程
研究人员开发了一种用于度量时间答案集编程（ASP）的计算方法，该方法允许表达定量时间约束，如持续时间和截止日期。为了克服细粒度时间约束带来的可扩展性挑战，该方法利用了带差分约束的ASP扩展。这种方法有效地将度量ASP与时间精度分离开来，确保解决方案不受时间粒度的影响。
-
新的PULS系统使用语义世界模型管道预测视频异常
研究人员开发了PULS（预测统一潜在空间），一种用于连续视频异常检测的新型管道，它超越了被动响应方法。PULS由KSD桥组成，该桥使用Qwen3-VL-Embedding-2B将V-JEPA 2的物理张量转换为文本对齐的超球体，以及一个预测状态预测器（ASP）。这种方法在UCF-Crime和XD-Violence等数据集上取得了出色的性能，证明了潜在清晰度假说，即预期的未来表征比当前表征在语义上更易分离。ASP模块进一步完善了这些预期…
-
新的ASP框架集成模糊逻辑进行定性推理
本文介绍了一种新颖的基于模糊逻辑的答案集编程（ASP）扩展，旨在处理具有模糊语言标签的定性推理。所提出的框架将数值数据（例如机器学习模型的输出）与定性概念上的符号推理相结合。主要特点包括基于学习的隶属函数和语义丰富的谓词，从而实现了一种统一的声明式方法，该方法结合了专家知识、上下文因素和主观解释。
-
大型语言模型与答案集编程相结合，提高了机器人任务规划的准确性
研究人员开发了CLMASP，这是一种将大型语言模型（LLMs）与答案集编程（ASP）相结合以增强机器人任务规划的新方法。该方法利用LLMs进行初步计划生成，并利用ASP结合具体的机器人动作知识来完善这些计划，将抽象的LLM输出转化为可执行的机器人上下文。在VirtualHome平台上的实验表明，CLMASP将可执行计划的成功率从不到2%显著提高到90%以上，证明了其在实际机器人应用中的有效性。
-
新的ASP方法计算受约束的运动轨迹
研究人员开发了一种在复杂环境中计算物体运动轨迹的新颖方法。该方法利用答案集编程（ASP）生成受约束的分支轨迹模式，这些模式表示为稳定模型。这些模型提供混合的定量-定性分析，详细说明事件序列、地图拓扑和领域规范等因素，提供可验证的可解释性，这与纯粹的学习方法形成对比。通过使用Argoverse 2自动驾驶基准进行实证评估，证明了该系统的适用性。
-
新的ASP模型优化空中交通流量与容量管理
研究人员开发了一种新的空中交通流量与容量管理（ATFCM）模型，该模型可联合优化飞机轨迹和扇区配置。这种使用答案集规划（ASP）编码的方法，与混合整数规划（MIP）模型和启发式方法进行了评估。使用OpenSky Network的历史飞行数据进行的计算实验表明，ASP模型在小型问题实例上优于MIP模型，并且与启发式方法具有竞争力。
-
Survey maps XAI methods to Answer Set Programming explanations
一篇新调查论文考察了可解释人工智能（XAI）方法在答案集编程（ASP）中的应用，ASP是一种符号人工智能方法。该论文对不同类型的ASP解释进行了分类，并将其与用户查询进行匹配，评估了现有理论和工具提供的覆盖范围。它还指出了当前的局限性，并提出了该领域的未来研究方向。
-
新表示借助ASP辅助AI合规推理
研究人员推出了一种名为MONIR的新型中间表示，专为使用Answer Set Programming (ASP) 进行合规推理而设计。该框架MONIR-ASP包含一个可执行的编译以及用于时间规则和外部函数等高级功能的扩展。该系统在中国先进驾驶辅助系统(ADAS)法规上进行了测试，利用了LLM辅助的管道来评估提取质量和求解效率。
-
新的ASP(Q)变体和FLINGO语言增强了AI约束编程
研究人员引入了“2-ASP(Q)^w”，一类具有两个量词和弱约束的新型回答集编程（ASP）程序，能够捕获高达Delta_3^P复杂度类的优化问题。这项工作为该类中的计算任务提供了完整的复杂度表征，并提出了一种使用反例引导抽象细化（CEGAR）技术计算量化回答集的新策略。实验评估证明了这些技术在挑战性基准上的有效性。此外，还开发了一种名为“flingO”的新语言和工具，将ASP的表达能力集成到线性整数约束中，从而增强了用于实际应用的约束…
-
答案集规划自动化长期电网规划
研究人员开发了一种新方法，利用答案集规划（ASP）来自动化和优化长期电网规划。这种方法能够优雅地编码电网规划所需的复杂属性和不变量，而这些属性和不变量很难用传统的规划语言来表达。在合成数据和真实世界数据上的实验证明了基于ASP的解决方案的有效性和表达能力。
-
研究人员改进了 Gelfond 理性原则以用于答案集语义
研究人员改进了 Gelfond 理性原则，为非单调逻辑编程中的答案集语义开发了更全面的基础原则。该研究质疑了最小模型属性、约束单调性和基础性的强制性，认为它们可能过于严格。提出了新的良好支持性、关于默认否定最小化和关于认知否定最小化的原则，以确保答案集是可构造的并最小化知识。
-
神经决策传播增强了神经符号AI的可扩展性
研究人员开发了神经决策传播（NDProp），一种将答案集规划（ASP）与神经网络相结合的新颖方法。该方法旨在通过使用神经计算进行决策和模糊评估进行传播来克服传统ASP求解器的可扩展性限制。实验表明，NDProp可以学习有效的决策启发式方法，并提高神经符号任务的准确性和可扩展性。
-
AI解释：抽象无关细节可提升理解力并减少认知负担
一项新的研究论文探讨了在符号化AI解释中抽象无关细节如何影响人类的理解和认知努力。使用答案集编程进行的实验表明，聚类细节显著提高了理解能力，而移除细节则降低了认知负荷。研究结果表明，形式化抽象可以增强以人为中心的符号化解释。
-
PHISHREV框架结合机器学习与推理，提升网络钓鱼检测能力
研究人员开发了PHISHREV，一个结合机器学习和非单调推理以增强网络钓鱼网站检测能力的新型框架。这种混合方法使用Answer Set Programming，通过整合专家知识来优化机器学习预测，从而提高决策一致性。一个显著的优点是能够高效地整合新的领域知识，而无需重新训练整个模型。
-
基于逻辑的框架从带时间戳的数据中推断复杂事件
研究人员开发了一种新颖的基于逻辑的框架，用于从带时间戳的数据和背景知识中识别复杂、长时间的事件。该方法使用逻辑规则来定义事件条件，并将它们组合成元事件，特别关注医疗应用，例如从患者记录中推断疾病发作和治疗。该系统采用约束和修复机制来确保事件的一致性，虽然完全推理是难以处理的，但限制允许多项式时间数据复杂度。在肺癌用例上的评估证明了该框架在计算上的可行性以及与医学专家意见的一致性，表明其具有广泛重用的潜力。