answer set programming
PulseAugur coverage of answer set programming — every cluster mentioning answer set programming across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法通过推理和跨语言向量增强LLM情感识别能力
研究人员开发了两种不同的方法来增强大型语言模型（LLM）的情感识别能力。第一种方法EmoLASP将LLM与答案集编程（ASP）相结合，以提高对话中效价-唤醒度-优势度（VAD）分数预测的稳定性和一致性，尤其是在仅提示LLM方面表现出优势。第二种方法侧重于跨语言迁移能力，使用函数向量（FVs）来引导LLM在多语言情感检测中的行为。该方法表明，FVs能够捕获与语言无关、与任务相关的信号，为多语言适应提供了一种轻量级机制，避免了传统少样本学…
-
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。
-
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。