我们考虑使用人解剖模型来解释黑盒系统的时间行为的问题。为此，根据最近的研究趋势，我们依靠确定性有限自动机（DFAS）和线性时间逻辑（LTL）公式的基本但可解释的模型。与学习DFA和LTL公式的大多数现有作品相反，我们仅依靠积极的例子。我们的动机是，通常很难从黑盒系统中观察到负面例子。为了仅从积极的示例中学习有意义的模型，我们设计了依赖于模型作为正规化器的简洁性和语言最小性的算法。为此，我们的算法采用了两种方法：一种符号和反例引导。尽管符号方法利用语言最小值作为约束满意度问题的有效编码，但反例引入的人依靠生成合适的负面示例来修剪搜索。两种方法都为我们提供了有效的算法，并在学习模型上具有理论保证。为了评估我们的算法的有效性，我们在合成数据上评估了所有算法。

实际上，所有验证和综合技术都假定正式规格很容易获得，在功能上正确并完全匹配工程师对给定系统的理解。但是，在实践中，这种假设通常是不现实的：正式化系统要求非常困难，容易出错，并且需要大量的培训。为了减轻这一严重的障碍，我们提出了一种从根本上新颖的编写形式规范的方法，称为线性时间逻辑（LTL）的规范草图。关键的想法是，工程师可以提供部分LTL公式，称为LTL草图，在该公式中很难形式化。给定一组描述规范应该或不应允许的系统行为的示例，然后将所谓的草图算法的任务完成给定的草图，以使所得的LTL公式与示例一致。我们表明，决定是否可以完成草图属于复杂性NP，并呈现两个基于SAT的草图算法。我们还证明，素描是使用原型实现编写形式规格的实用方法。

我们概述了在其知识表示和声明问题解决的应用中的视角下的时间逻辑编程。这些程序是将通常规则与时间模态运算符组合的结果，如线性时间时间逻辑（LTL）。我们专注于最近的非单调形式主义的结果​​称为时间平衡逻辑（电话），该逻辑（电话）为LTL的全语法定义，但是基于平衡逻辑执行模型选择标准，答案集编程的众所周知的逻辑表征（ASP ）。我们获得了稳定模型语义的适当延伸，以进行任意时间公式的一般情况。我们记得电话和单调基础的基本定义，这里的时间逻辑 - 和那里（THT），并研究无限和有限迹线之间的差异。我们还提供其他有用的结果，例如将转换成其他形式主义，如量化的平衡逻辑或二阶LTL，以及用于基于自动机计算的时间稳定模型的一些技术。在第二部分中，我们专注于实际方面，定义称为较近ASP的时间逻辑程序的句法片段，并解释如何在求解器Telingo的构建中被利用。

线性时间逻辑（LTL）是最受欢迎的时间逻辑之一，它在计算机科学的各种分支中发挥作用。在其广泛使用的各种原因中，它具有强大的基础特性：LTL等于无反欧米茄 - 自动疗法，与无星的欧米茄表达式，以及（通过Kamp的定理）与一个继任者的一阶理论（S1S [FO]）。安全性和共同安全性语言，其中有限的前缀足以确定单词是否不属于或属于该语言，在降低LTL的模型检查和反应性合成等问题的复杂性方面起着至关重要的作用。 safetyltl（分别，cosafetyltl）是LTL的片段，其中只允许通用（分别，存在的）时间方式，仅识别安全性（分别，共同安全）语言。本文的主要贡献是引入了S1S [FO]的片段，称为Safetyfo及其双Cosafetyfo，它们在LTL可定义的安全性和共同安全性语言方面表现出色。我们证明它们分别表征了Safetyltl和Cosafetyltl，这是加入Kamp定理的结果，并更清晰地看出了（片段）LTL的（片段）在一阶语言方面。此外，它提供了直接，紧凑且独立的证据，表明LTL中可以定义的任何安全语言在Safetyltl中也可以定义。作为副产品，我们获得了Safetyltl弱明天运营商的表达能力的一些有趣结果，该实力对有限和无限单词进行了解释。此外，我们证明，当用有限的单词解释时，Safetyltl（cosafetyltl）没有明天（分别，弱的明天）操作员捕获了LTL的安全性（分别，共同安全）片段，而不是有限词。

在我们生活在深厚的互连世界中，我们周围的各个信息链接域。由于图形数据库包含了数据之间有效的关系，并允许处理和查询这些连接，因此它们正迅速成为支持广泛域和应用程序的流行平台。与关系情况一样，可以预期数据保留了一组完整性约束，这些限制定义了它代表的世界的语义结构。当数据库不满足其完整性约束时，一种可能的方法是搜索确实满足约束（也称为维修）的“类似”数据库。在这项工作中，我们使用基于一组Reg-GXPath表达式作为完整性约束的一致性概念来研究图形数据库的计算子集和超集修复的问题。我们表明，对于Reg-GxPath的积极片段，这些问题承认了多项式时间算法，而语言的全部表达力使它们棘手。

最近已经提出了几个查询和分数来解释对ML模型的个人预测。鉴于ML型号的灵活，可靠和易于应用的可解释性方法，我们预见了需要开发声明语言以自然地指定不同的解释性查询。我们以原则的方式通过源于逻辑，称为箔，允许表达许多简单但重要的解释性查询，并且可以作为更具表现力解释性语言的核心来实现这一语言。我们研究箔片查询的两类ML模型的计算复杂性经常被视为容易解释：决策树和OBDD。由于ML模型的可能输入的数量是尺寸的指数，因此箔评估问题的易易性是精细的，但是可以通过限制模型的结构或正在评估的箔片段来实现。我们还以高级声明语言包装的箔片的原型实施，并执行实验，表明可以在实践中使用这种语言。

Learning linear temporal logic (LTL) formulas from examples labeled as positive or negative has found applications in inferring descriptions of system behavior. We summarize two methods to learn LTL formulas from examples in two different problem settings. The first method assumes noise in the labeling of the examples. For that, they define the problem of inferring an LTL formula that must be consistent with most but not all of the examples. The second method considers the other problem of inferring meaningful LTL formulas in the case where only positive examples are given. Hence, the first method addresses the robustness to noise, and the second method addresses the balance between conciseness and specificity (i.e., language minimality) of the inferred formula. The summarized methods propose different algorithms to solve the aforementioned problems, as well as to infer other descriptions of temporal properties, such as signal temporal logic or deterministic finite automata.

我们根据描述逻辑ALC和ALCI介绍并研究了本体论介导的查询的几个近似概念。我们的近似值有两种：我们可以（1）用一种以易访问的本体语言为例，例如ELI或某些TGD，以及（2）用可拖动类的一个替换数据库，例如其treewidth的数据库，由常数界定。我们确定所得近似值的计算复杂性和相对完整性。（几乎）所有这些都将数据复杂性从Conp-Complete降低到Ptime，在某些情况下甚至是固定参数可拖动和线性时间。虽然种类（1）的近似也降低了综合复杂性，但这种近似（2）往往并非如此。在某些情况下，联合复杂性甚至会增加。

模态逻辑的语言能够在Kripke帧上表达一阶条件。 Henrik Sahlqvist的经典结果确定了一类重要的模态公式，可以以有效的算法方式找到一阶条件（或Sahlqvist通讯）的一阶条件（或Sahlqvist通讯）。最近的作品已成功将这种经典结果扩展到更复杂的模态语言。在本文中，我们追求类似的行并为线性时间逻辑（LTL）开发SAHLQVIST式通讯定理，该定理是用于时间规范的最广泛使用的正式语言之一。 LTL使用专用的临时操作员下一个X和直到U扩展了基本模态逻辑的语法。结果，具有一阶通讯器的公式类别的复杂性也相应增加。在本文中，我们确定了使用模态运算符F，G，X和U构建的一类重要的LTL SAHLQVIST公式。本文的主要结果是证明LTL SAHLQVIST公式对框架条件的对应关系，这些条件在一阶语言中可定义。

突出非克劳兰（NC）公式的富有表现性比基于氏子型公式的指数更丰富。然而，氏菌效率优于非克劳尿的效率。实际上，后者的一个主要弱点是，虽然喇叭子宫公式以及喇叭算法，对于高效率至关重要，但是已经提出了非符号形式的喇叭状公式。为了克服这种弱点，我们通过将喇叭图案充分提升到NC形式，定义HOLE非字母（HORN-NC）公式的混合类$ \ MATHBB {H_ {NC}}。争论$ \ MATHBB {H_ {NC}} $以及未来的Horn-NC算法，应随着喇叭类的股份效率增加，增加非信用效率。其次，我们：（i）给出$ \ mathbb的紧凑，归纳定义{h_ {nc}} $; （ii）证明了句法$ \ mathbb {h_ {nc}} $ suppups over class，但语义上两个类都是等效的，并且（iii）表征属于$ \ mathbb {h_ {nc}} $的非锁友公式。第三，我们定义了非字词单元分辨率计算，$ ur_ {nc} $，并证明它检查多项式时间$ \ mathbb {h_ {nc}} $的可靠性。这一事实是我们的知识，使$ \ mathbb {h_ {nc}} $中的nc推理中的第一个特征多项式类。最后，我们证明了$ \ mathbb {h_ {nc}} $线性识别，也是严格的是法官和比喇叭类呈指数富裕。我们在NC自动推理中讨论了这一点，例如，可靠性解决，定理证明，逻辑编程等可以直接受益于$ \ mathbb {h_ {nc} $和$ ur_ {nc} $，它作为其被证明属性的副产物，$ \ mathbb { H_ {NC}} $ as作为分析喇叭函数和含义系统的新替代方案。

复杂的事件识别（CER）系统在过去二十年中变得流行，因为它们能够“立即”检测在实时事件流上的模式。然而，缺乏预测模式可能发生在例如由Cer发动机实际检测到这种发生之前的模式。我们提出了一项正式的框架，试图解决复杂事件预测（CEF）的问题。我们的框架结合了两个形式主义：a）用于编码复杂事件模式的符号自动机; b）预测后缀树，可以提供自动机构的行为的简洁概率描述。我们比较我们提出的方法，以防止最先进的方法，并在准确性和效率方面展示其优势。特别地，预测后缀树是可变的马尔可夫模型，可以通过仅记住足够的信息的过去序列来捕获流中的长期依赖性。我们的实验结果表明了能够捕获这种长期依赖性的准确性的益处。这是通过增加我们模型的顺序来实现的，以满足需要执行给定顺序的所有可能的过去序列的所有可能的过去序列的详尽枚举的全阶马尔可夫模型。我们还广泛讨论CEF解决方案如何最佳地评估其预测的质量。

在概念学习，数据库查询的反向工程，生成参考表达式以及知识图中的实体比较之类的应用中，找到以标记数据项形式分开的逻辑公式，该公式分开以标记数据项形式给出的正面和负面示例。在本文中，我们研究了存在本体论的数据的分离公式的存在。对于本体语言和分离语言，我们都专注于一阶逻辑及其以下重要片段：描述逻辑$ \ Mathcal {alci} $，受保护的片段，两变量的片段和受保护的否定片段。为了分离，我们还考虑（工会）连接性查询。我们考虑了几种可分离性，这些可分离性在负面示例的治疗中有所不同，以及他们是否承认使用其他辅助符号来实现分离。我们的主要结果是（所有变体）可分离性，不同语言的分离能力的比较以及确定可分离性的计算复杂性的研究。

我们回答以下问题，哪些结合性查询以多种方式上的许多正和负面示例以及如何有效地构建此类示例的特征。结果，我们为一类连接的查询获得了一种新的有效的精确学习算法。我们的贡献的核心是两种新的多项式时间算法，用于在有限结构的同态晶格中构建前沿。我们还讨论了模式映射和描述逻辑概念的独特特征性和可学习性的影响。

我们在依赖型理论的建设性设定中研究有限一级可靠性（FSAT）。采用统计性和可解锁性的合成账户，我们根据非逻辑符号的一阶签名提供FSAT的全部分类。一方面，我们的发展侧重于Trakhtenbrot的定理，一旦签名包含至少二进制关系符号，就陈述FSAT是不可行的。我们的证据通过从后对应问题开始的许多减少链进行。另一方面，我们为Monadic一阶逻辑建立了FSAT的可解锁性，即签名仅包含大多数Unary函数和关系符号，以及FSAT对于任意令人令人令人享有的签名的统计性。为了展示Trakthenbrot的定理，我们继续减少链条，从FSAT减少到分离逻辑。我们所有的结果都是在越来越多的综合性不可剥离性证据的框架内机械化。

归纳逻辑编程（ILP）是一种机器学习的形式。ILP的目标是诱导推广培训示例的假设（一组逻辑规则）。随着ILP转30，我们提供了对该领域的新介绍。我们介绍了必要的逻辑符号和主要学习环境;描述ILP系统的构建块;比较几个维度的几个系统;描述四个系统（Aleph，Tilde，Aspal和Metagol）;突出关键应用领域;最后，总结了未来研究的当前限制和方向。

伊瓦玛（Iwama）引入的命中公式是一类不寻常的命题CNF公式。它们的可满足性不仅可以在多项式时间内确定，而且甚至可以以封闭形式计算其模型。这与其他多项式定义类别形成鲜明对比，这些类别通常具有基于回溯和分辨率的算法，并且模型计数仍然很难，例如2-SAT和HORN-SAT。但是，那些基于分辨率的算法通常很容易地暗示着在分辨率复杂性上的上限，这对于达到公式而缺少。击中公式难以解决吗？在本文中，我们采取了第一步，回答这个问题。我们表明，击中公式的分辨率复杂性由Kullmann和Zhao首先研究的所谓不可约合的击球公式主导，这些配方不能由较小的击球公式组成。但是，根据定义，很难构建大型不可理解的击中公式。甚至还不知道是否存在无限的许多。基于我们的理论结果，我们在Nauty软件包之上实施了有效的算法，以列举所有不可约14个条款的不可约束的击中公式。我们还通过将已知的SAT编码用于我们的目的来确定生成的击中公式的确切分辨率复杂性。我们的实验结果表明，击中公式确实很难解决。

大多数-AT是确定联合正常形式（CNF）中输入$ N $的最低价公式的问题至少为2 ^ {n-1} $令人满意的作业。在对概率规划和推论复杂性的各种AI社区中，广泛研究了多数饱和问题。虽然大多数饱满为期40多年来，但自然变体的复杂性保持开放：大多数 - $ k $ SAT，其中输入CNF公式仅限于最多$ k $的子句宽度。我们证明，每辆$ k $，大多数 - $ k $ sat是在p的。事实上，对于任何正整数$ k $和ratic $ \ rho \ in（0,1）$ in（0,1）$与有界分比者，我们给出了算法这可以确定给定的$ k $ -cnf是否至少有$ \ rho \ cdot 2 ^ n $令人满意的分配，在确定性线性时间（而先前的最着名的算法在指数时间中运行）。我们的算法对计算复杂性和推理的复杂性具有有趣的积极影响，显着降低了相关问题的已知复杂性，例如E-Maj-$ K $ Sat和Maj-Maj- $ K $ Sat。在我们的方法中，通过提取在$ k $ -cnf的相应设置系统中发现的向日葵，可以通过提取向日葵来解决阈值计数问题的有效方法。我们还表明，大多数 - $ k $ sat的易腐烂性有些脆弱。对于密切相关的gtmajority-sat问题（我们询问给定公式是否超过2 ^ {n-1} $满足分配），这已知是pp-cleanting的，我们表明gtmajority-$ k $ sat在p for $ k \ le 3 $，但为$ k \ geq 4 $完成np-cleante。这些结果是违反直觉的，因为这些问题的“自然”分类将是PP完整性，因为GTMAJority的复杂性存在显着差异 - $ k $ SAT和MOSTION- $ K $ SAT为所有$ k \ ge 4 $。

已经开发了概率模型检查，用于验证具有随机和非季度行为的验证系统。鉴于概率系统，概率模型检查器占用属性并检查该系统中的属性是否保持。因此，概率模型检查提供严谨的保证。然而，到目前为止，概率模型检查专注于所谓的模型，其中一个状态由符号表示。另一方面，通常需要在规划和强化学习中进行关系抽象。各种框架处理关系域，例如条带规划和关系马尔可夫决策过程。使用命题模型检查关系设置需要一个地接地模型，这导致了众所周知的状态爆炸问题和难以承承性。我们提出了PCTL-Rebel，一种用于验证关系MDP的PCTL属性的提升模型检查方法。它延长了基于关系模型的强化学习技术的反叛者，朝着关系PCTL模型检查。 PCTL-REBEL被提升，这意味着而不是接地，模型利用对称在关系层面上整体的一组对象。从理论上讲，我们表明PCTL模型检查对于具有可能无限域的关系MDP可判定，条件是该状态具有有界大小。实际上，我们提供算法和提升关系模型检查的实现，并且我们表明提升方法提高了模型检查方法的可扩展性。

形状约束语言（SHACL）是通过验证图表上的某些形状来验证RDF数据的最新W3C推荐语言。先前的工作主要集中在验证问题上，并且仅针对SHACL的简化版本研究了对设计和优化目的至关重要的可满足性和遏制的标准决策问题。此外，SHACL规范不能定义递归定义的约束的语义，这导致文献中提出了几种替代性递归语义。尚未研究这些不同语义与重要决策问题之间的相互作用。在本文中，我们通过向新的一阶语言（称为SCL）的翻译提供了对SHACL的不同特征的全面研究，该语言精确地捕获了SHACL的语义。我们还提出了MSCL，这是SCL的二阶扩展，它使我们能够在单个形式的逻辑框架中定义SHACL的主要递归语义。在这种语言中，我们还提供了对过滤器约束的有效处理，这些滤镜经常在相关文献中被忽略。使用此逻辑，我们为不同的SHACL片段的可满足性和遏制决策问题提供了（联合）可决定性和复杂性结果的详细图。值得注意的是，我们证明这两个问题对于完整的语言都是不可避免的，但是即使面对递归，我们也提供了有趣的功能的可决定性组合。

组合优化是运营研究和计算机科学领域的一个公认领域。直到最近，它的方法一直集中在孤立地解决问题实例，而忽略了它们通常源于实践中的相关数据分布。但是，近年来，人们对使用机器学习，尤其是图形神经网络（GNN）的兴趣激增，作为组合任务的关键构件，直接作为求解器或通过增强确切的求解器。GNN的电感偏差有效地编码了组合和关系输入，因为它们对排列和对输入稀疏性的意识的不变性。本文介绍了对这个新兴领域的最新主要进步的概念回顾，旨在优化和机器学习研究人员。