Datalog
PulseAugur coverage of Datalog — every cluster mentioning Datalog across labs, papers, and developer communities, ranked by signal.
-
新方法从转换后的版本重建原始本体规则
研究人员开发了一种方法，可以从Datalog规则推理器使用的转换版本中重建原始的基于规则的本体。此过程旨在提供可理解的、基于初始规则而非优化后的重写规则的推理事实的解释。该研究分析了此重建问题的计算复杂性，并确定了适用于指定所涉及的证明转换的特定语言。
-
差分数据流在动态环境中解释 Datalog 的评估
本文探讨了差分数据流在动态环境中解释 Datalog 的有效性。研究比较了三种 Datalog 实现，其中一种使用差分数据流，以评估物化效率。研究结果旨在指导 Datalog 计算的改进，特别是在云计算等动态数据场景中。
-
Lean4 Datalog DSL 集成 Google Zanzibar 用于 AI 项目
一种名为 Lean4 Datalog 的新领域特定语言 (DSL) 已被开发出来，它利用了 Google Zanzibar 的授权模型。该 DSL 旨在通过提供一种结构化的方法来管理权限和访问控制，从而促进 AI 项目。该项目可在 GitHub 上找到，旨在将 Zanzibar 的功能整合到更易于 AI 开发人员使用的格式中。
-
New framework automates attack chain extraction from cyber threat intelligence
研究人员开发了一个自动化框架，用于从网络威胁情报（CTI）报告中提取可操作的攻击链。该系统使用先决条件、行为和后置条件来建模每个攻击步骤，从而实现状态匹配和可达性分析。该框架利用大型语言模型和类 Datalog 规则，将非结构化的 CTI 叙述处理成适合自动推理的格式，实现了比现有方法更高的覆盖率和一致性。
-
Project Auto-World 使用 LLM 自动化神经关系推理基准测试
研究人员开发了 Project Auto-World 系统，该系统利用大型语言模型 (LLM) 为神经关系推理器自动生成具有挑战性的基准实例。这种方法通过基于 Datalog 规则和 Edge Transformer 评估器创建日益复杂的问题，解决了评估这些模型泛化能力的难题。该系统采用 LLM 驱动的进化和代理搜索来发现产生困难实例的采样函数，并利用生成的数据来提高 Edge Transformer 的泛化能力。这种自动基准测试框架…
-
新框架支持AI代理的概率验证
研究人员开发了一个新的框架，用于验证具有概率策略的AI代理，解决了现有确定性方法的局限性。该方法基于分布鲁棒优化，即使在谓词相关性未知的情况下，也能计算策略违反概率的上限。该框架在终端代理和工具调用代理的基准测试中得到验证，显示出改进的安全-实用性权衡，并且优于先前的方法。
-
新语言统一关系查询与神经计算
研究人员推出了一种新颖的声明式查询语言——神经关系程序（NRPs），旨在统一结构化数据上的关系推理与神经计算。NRPs 扩展了 Datalog 风格的规则，以整合数值向量嵌入，从而在一个单一框架内实现关系逻辑和可学习神经组件的交织。这种方法使 NRPs 能够同时作为可训练的查询计划和关系结构化的神经架构，为关系数据库上的神经计算提供了一种通用方法。
-
Dyna语言连接逻辑编程与机器学习研究
Dyna是一种专为机器学习研究人员设计的新型编程语言，旨在弥合数学概念与可执行代码之间的差距。它建立在Datalog和Prolog等逻辑编程范式的基础上，引入了灵活的执行顺序和加权规则等功能。这使得能够用最少的代码简洁地表达复杂的算法，包括矩阵乘法、斐波那契数列和神经网络。