answer set programming
PulseAugur coverage of answer set programming — every cluster mentioning answer set programming across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架实现交互式物体轨迹的前瞻性推理
研究人员开发了一个新的框架，用于对动态环境中交互式物体的运动进行前瞻性推理。这种混合方法集成了Answer Set Programming (ASP)模型来表征运动动力学，语义引导的预测来生成未来轨迹的可能性，以及一个基于能量的优化模型来评估这些预测。该框架使用Argoverse 2基准进行了评估，为每个预期轨迹提供了明确的、可检查的假设，这使其区别于端到端的随机预测方法。
-
新研究探索神经符号AI集成与可解释性
两篇新研究论文探讨了符号推理与神经网络的集成。第一篇论文《神经符号AI的基于规则的语言》调查了Datalog和概率逻辑程序等现有的基于规则的语言，并分析了它们在各种AI领域的应用。第二篇论文介绍了CRISP，一个将神经网络的决策过程重构为可解释子句的框架，从而实现了从输入特征到输出的符号追踪。
-
新框架使用 AI 对言语行为进行道德评估
研究人员开发了一个逻辑框架，用于对言语行为进行道德评估，特别是在说谎可能比说真话更道德的高风险情况下。该框架使用答案集编程 (ASP) 实现，根据主体的信念评估言论，并考虑了义务论、结果论和原则论。该系统以萨特的话剧《墙》为例进行了演示，说明了对言语的不同道德评估可能导致截然不同的结果。
-
新框架CoGReV通过AI推理增强网络钓鱼检测
研究人员开发了CoGReV，一个旨在通过整合机器学习和非单调推理来改进网络钓鱼网站检测的新框架。该系统使用一个置信门控规则来修正预测，特别是在有网站元数据可用时，将不确定的分类降级为“合法”。这种方法旨在减少误报和分析师的警报疲劳，同时不显著影响实际网络钓鱼网站的检测率。
-
AI模型在脑MRI中表现可媲美解剖学特征
研究人员对用于结构性脑MRI分析的AI模型的特征提取方法进行了全面评估。他们的研究使用了18个公共数据集和约80,000名参与者，发现基于解剖学特征的简单线性模型与CNN和Vision Transformers等复杂AI框架表现相当。该研究还提出了一种名为解剖学分割预训练（ASP）的新方法，将解剖学信息整合到基础模型预训练中，并在生物年龄估计方面表现出改进的性能。
-
新研究探索LLM在不同层级和语言中的情感检测
研究人员正在探索新的方法来增强大型语言模型（LLM）的情感检测能力，方法是研究情感在不同层级和语言中的表示方式。一项研究考察了LLM在社交媒体帖子和叙事等各种文本类型中的情感表达，发现情感的可访问深度因语料库而异，并且对特定模型层级的干预可以显著提高准确性。另一种方法将LLM与答案集编程相结合，以提高情感识别的一致性并降低计算成本，即使在未经微调的情况下也能显示出收益。第三篇论文表明，源自上下文演示的功能向量可以有效地引导LLM在多语…
-
新包装器为预算受限的感知优化多模态模型
研究人员推出了一种名为ASP的新型无需训练的包装器，专为冻结的多模态模型设计，以应对严格令牌预算限制下的具身感知挑战。该系统旨在通过采用上限结构化状态、情景索引和查询条件预算分配来优化观察流。在SEW-Bench基准测试上，使用3B到31B参数的模型进行评估，结果表明ASP实现了显著的情景检索准确率，优于基本的查询无关采样方法。然而，完整的ASP架构并未持续验证其设计原则，某些组件的有效性不如简单的基线。
-
神经符号AI使用证明来防止捏造的解决方案
研究人员开发了一种新的神经符号约束求解方法，提高了语言模型在处理复杂问题时的可靠性。该方法用详细的证明取代了简单的错误消息，具体方法是在生成的程序不正确时提取一个最小不可满足核心。这使得较弱的模型能够显著减少捏造的解决方案，将其从79%降低到7%，而较强的模型则可以实现与符号方法相当的准确性，同时提供可验证的证书并防止虚假解决方案。
-
新型启发式方法 ASPaeroFlow 优化空域流量与容量管理
研究人员开发了 ASPaeroFlow，这是一种新颖的启发式方法，通过结合实例空间分解和答案集规划来联合优化空域流量与容量管理 (ATFCM)。该方法解决了大规模 ATFCM 问题精确模型的计算难题。基准测试表明，ASPaeroFlow 在精确方法和操作基线之间取得了平衡，证明了同时优化可能优于顺序方法，并且动态空域配置对解决方案质量有显著影响。
-
前沿大模型高精度提炼答案集编程理论
一项新研究探索了使用神经符号方法从大型语言模型中提炼答案集编程（ASP）理论。该研究测试了九个模型，包括 Claude Sonnet 4.6、Claude Opus 4.7、GPT-5 和 DeepSeek V4 Pro 等前沿模型，涵盖了 CLEVR、GQA 和 CLEVRER 三个基准。大多数前沿模型都取得了高精度，其中 Sonnet、Opus 和 DeepSeek V4 Pro 在 CLEVRER 上达到了 90% 以上的准确率…
-
AI的“氛围代码”与早期网络开发热潮的比较
人工智能中的“氛围代码”概念与早期使用HTML、ASP和PHP进行网络开发的日子进行了比较。这种类比表明，正如那些技术能够轻松创建内容并在网上托管一样，当前的人工智能工具也使个人能够生成各种输出，并通过详细介绍他们收入的博客文章分享他们的成功。
-
新的VS Code扩展简化了答案集编程学习
一个名为EZASP的新Visual Studio Code扩展已被开发出来，以支持简易答案集编程（Easy ASP）方法论。该方法论通过专注于语言的结构化子集来简化答案集编程（ASP）的学习。EZASP提供了语法错误高亮、非安全变量检测和自动程序重排等功能，并可以选择禁用这些功能。一项用户研究表明，这些工具对ASP新手和有经验的用户都有益处。
-
新的ASP方法解决了UAM战略冲突消解问题
研究人员开发了一种使用答案集编程（ASP）来管理城市空中交通（UAM）运行中战略冲突消解的新方法。该方法侧重于同步飞行时间和优化航线，以防止空中碰撞和与现有空中交通的冲突。与约束编程（CP）相比，ASP方法在中小规模场景下表现出更快的执行速度和更好的可扩展性，尽管CP在复杂性增加的情况下保持了更稳定的内存使用。
-
答案集规划通过新的语义和LLM驱动的优化得到增强 · 跟踪2个来源
两篇新的研究论文探讨了答案集规划（ASP）的进展。第一篇论文介绍了一个统一的逻辑框架，即界限语义（Bound-Founded Semantics），用于表征具有线性约束的ASP扩展的各种语义，特别关注clingo[DL]。第二篇论文改编了StreamLLM方法，使用大型语言模型生成“streamliners”来优化ASP编码，通过修剪解空间，在基准问题上实现了显著的加速。
-
新的ILP流程通过可解释的假设来解释天气预报
研究人员开发了一个新的流程，使用归纳逻辑编程（ILP）来解释来自意大利弗留利-威尼斯朱利亚地区气象天文台OSMER FVG的天气公告。该系统基于FastLAS2框架，将气象数据和专家公告转换为一种格式，使ILP能够推断出简单、易于理解的假设。这些假设解释了天气预报背后的推理过程，特别是公告中带注释地图所用符号的选择，提供了一种可推广到其他地区和公告来源的方法。
-
EZSMTV3 框架推进混合推理以解决复杂问题 · 跟踪 1 个来源
一个名为 EZSMTV3 的新框架已被开发用于约束答案集编程 (CASP)，这是一种结合了答案集编程与约束处理和可满足性模理论 (SMT) 的混合推理范式。该系统 EZSMTV3 设计为可扩展的，并推进了 CASP 求解的转换方法。它利用现有的 SMT 求解器，如 CVC5、YICES 和 Z3 进行推理，其性能与其他 CASP 系统（如 CLINGCON 和 CLINGO[DL]）进行了基准测试。该框架通过弱约束支持优化，并且能够处…
-
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。