我们提出Plingo，这是具有各种概率推理模式的ASP系统clingo的扩展。Plingo以Lp^mln为中心，Lp^mln是基于Markov Logic的权重方案的ASP的概率扩展。这种选择是由于可以将核心概率推理模式映射到优化问题的事实而动机，并且LP^mln可以用作与其他概率方法相关的中间地形式主义。结果，Plingo为Lp^mln，P-Log和Problog提供了三个替代前端。相应的输入语言和推理模式是通过Clingo的多拍和理论解决功能来实现的。pling脚的核心等于在现代ASP技术方面重新实现LP^mln，并以一种基于新方法以最佳顺序进行答案集枚举的近似技术扩展。我们通过将Plingo的性能与其他概率系统进行比较，从经验上评估。

回答集编程（ASP）已成为一种流行的和相当复杂的声明问题解决方法。这是由于其具有吸引力的地址解决方案的工作流程，这是可以轻松解决问题解决的方法，即使对于计算机科学外的守护者而言。与此不同，底层技术的高度复杂性使得ASP专家越来越难以将想法付诸实践。有关解决此问题，本教程旨在使用户能够构建自己的基于ASP的系统。更确切地说，我们展示了ASP系统Clingo如何用于扩展ASP和实现定制的专用系统。为此，我们提出了两个替代方案。我们从传统的AI技术开始，并展示元编程如何用于扩展ASP。这是一种相当轻的方法，依赖于Clingo的reation特征来使用ASP本身表达新功能。与此不同，本教程的主要部分使用传统的编程（在Python中）来通过其应用程序编程接口操纵Clingo。这种方法允许改变和控制ASP的整个模型 - 地面解决工作流程。 COMENT of Clingo的新应用程序课程使我们能够通过自定义类似于Clingo中的进程来绘制Clingo的基础架构。例如，我们可能会互动到程序的抽象语法树，控制各种形式的多射击求解，并为外国推论设置理论传播者。另一种横截面结构，跨越元以及应用程序编程是Clingo的中间格式，即指定底层接地器和求解器之间的界面。我们通过示例和几个非琐碎的案例研究说明了本教程的前述概念和技术。

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。

我们从答案集编程的民间传说中占据了一个想法，即选择，完整性约束以及限制规则格式足以回答集编程。我们在这里的逻辑的背景下详细说明了这个想法的基础，并展示了如何通过定义从扩展的逻辑原则派生。然后，我们提供了一种AUSTERE形式的逻辑程序，可以用作类似于古典逻辑中的联合常规表的逻辑程序的正常形态。最后，我们采取关键的想法，并为ASP初学者提出建模方法，并说明如何使用它。

在科学和工程领域中，搜索优化问题是很多。长期以来，人工智能为搜索算法和旨在解决和建模搜索优化问题的宣言编程语言的发展做出了贡献。自动推理和知识表示是AI的子场，这些子场尤其归属这些发展。许多流行的自动推理范式为用户提供支持优化语句的语言。召回整数线性编程，MAXSAT，优化满意度模型理论和（约束）答案集编程。这些范式在其语言上以它们在计算解决方案上表达质量条件的方式差异很大。在这里，我们提出了一个所谓的扩展权重系统的统一框架，以消除范式之间的句法区别。它们使我们能够看到不同自动推理语言提供的优化语句之间的基本相似性和差异。我们还研究了提议的系统的形式属性，这些系统立即转化为可以在我们的框架内捕获的范式的形式属性。在逻辑编程（TPLP）的理论和实践中考虑的考虑因素。

在科学和工程领域中，搜索优化问题是很多。长期以来，人工智能为搜索算法和旨在解决和建模搜索优化问题的宣言编程语言的发展做出了贡献。自动推理和知识表示是AI的子场，这些子场尤其归属这些发展。许多受欢迎的自动推理范式为用户提供支持优化语句的语言：MAXSAT或答案集编程，仅举几例。这些范式的语言以及它们在计算解决方案上表达质量条件的方式差异很大。在这里，我们提出了一个所谓权重系统的统一框架，该框架消除了范式之间的句法区别，并使我们能够看到范式提供的优化语句之间的基本相似之处和差异。这种统一的前景在自动推理和知识表示的优化和模块化研究中具有重要的简化和解释潜力，从而为弥合不同的形式主义和开发翻译求解器提供了技术手段。在逻辑编程（TPLP）的理论和实践中考虑的考虑因素。

我们在答案集编程（ASP）中，提供了全面的可变实例化或接地的理论基础。在ASP的建模语言的语义上构建，我们在（固定点）运营商方面介绍了接地算法的正式表征。专用良好的运营商扮演了一个主要作用，其相关模型提供了划定接地结果以及随机简化的语义指导。我们地址呈现出一种竞技级逻辑程序，该程序包含递归聚合，从而达到现有ASP建模语言的范围。这伴随着一个普通算法框架，详细说明递归聚集体的接地。给定的算法基本上对应于ASP接地器Gringo中使用的算法。

我们提出了一种使用绑架过程，在给定的答案集编程（ASP）规则集（ASP）规则集方面生成可能的查询证明，该过程仅根据输入规则自动构建了陈腐的空间。给定一组（可能是空的）用户提供的事实，我们的方法会渗透到需要查询的任何其他事实，然后输出这些额外的事实，而无需用户需要明确指定所有占有无误的空间。我们还提出了一种方法，以生成与查询的理由图相对应的一组定向边缘。此外，通过不同形式的隐式术语替换，我们的方法可以考虑用户提供的事实并适当修改绑架解决方案。过去的绑架工作主要基于目标定向方法。但是，这些方法可能导致并非真正声明的求解器。关于实现绑架的绑架者，例如Clingo ASP求解器，做出的工作要少得多。我们描述了可以直接在Clingo中运行的新型ASP程序，以产生绑架解决方案和定向边缘集，而无需修改基础求解引擎。

域特异性启发式方法是有效解决组合问题的必不可少的技术。当前将特定于域的启发式方法与答案集编程（ASP）集成的方法在处理基于部分分配的非单调指定的启发式方法时，这是不令人满意的。例如，在挑选尚未放入垃圾箱中的物品时，这种启发式方法经常发生。因此，我们介绍了ASP中域特异性启发式方法声明性规范的新颖语法和语义。我们的方法支持启发式陈述，依赖于解决过程中所维持的部分任务，这是不可能的。我们在Alpha中提供了一种实现，该实现使Alpha成为第一个支持声明指定的域特定启发式方法的懒惰的ASP系统。使用两个实际的示例域来证明我们的提议的好处。此外，我们使用我们的方法用A*实施知情}，该搜索首次在ASP中解决。 A*应用于两个进一步的搜索问题。实验证实，结合懒惰的ASP解决方案和我们的新型启发式方法对于解决工业大小的问题至关重要。

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。

在过去几年的几十年中，致力于更新稳定模型语义（AKA答案设置程序）下更新逻辑计划的问题，或者换句话说，表现出培养结果的问题 - 当它描述更改时，遵守逻辑程序。而最先进的方法是在古典逻辑背景下的相同基本的直觉和愿望被指导，他们基于根本不同的原则和方法，这阻止了可以拥抱两个信念的统一框架规则更新。在本文中，我们将概述与答案设置的编程更新相关的一些主要方法和结果，同时指出本主题研究的一些主要挑战。

我们从逻辑和公式大小方面概念化了解释性，在非常一般的环境中给出了许多相关的解释性定义。我们的主要兴趣是所谓的特殊解释问题，旨在解释输入模型中输入公式的真实价值。解释是一个最小尺寸的公式，（1）与输入模型上的输入公式一致，（2）将所涉及的真实价值传输到全球输入公式，即每个模型上。作为一个重要的例子，我们在这种情况下研究了命题逻辑，并表明在多项式层次结构的第二级中，特殊的解释性问题是完整的。我们还将在答案集编程中提供了此问题的实施，并研究了其与解释N-Queens和主导集合问题的答案有关的能力。

归纳逻辑编程（ILP）的目标是学习解释一组示例的程序。直到最近，大多数关于ILP的研究有针对性的学习药品计划。 ELASP系统改为了解回答设置程序（ASP）。学习这种表达计划大大扩大了ILP的适用性;例如，启用偏好学习，学习常识知识，包括默认和例外，以及学习非确定性理论。 ILASP的早期版本可以考虑Meta-Level ILP方法，该方法将学习任务作为逻辑程序编码，并将搜索委派给ASP求解器。最近，ILASP已经向一种新的方法转移，这是由冲突驱动的SAT和ASP求解器的启发。该方法的基本思想称为冲突驱动的ILP（CDILP），用于迭代地对假设的搜索进行交互，所述约束的产生，所述约束的产生，其解释了当前假设不包括特定示例的原因。这些覆盖约束允许ilasp不仅仅排除当前假设，而是整整类的假设，不满足覆盖约束。本文正规规范了CDILP方法，并介绍了CDILP的ILASP3和ILASP4系统，该系统被证明比以前的ILASP系统更可扩展，特别是在存在噪声的情况下。逻辑编程理论与实践的考虑（TPLP）。

本文继续进行研究旨在研究逻辑程序与一阶理论之间的关系。我们将程序完成的定义扩展到具有输入和输出的程序的定义，以ASP接地器Gringo的输入语言的子集，研究稳定模型与在此背景下完成之间的关系，并使用两种软件工具（使用两个软件工具）来描述初步实验国歌和吸血鬼，以验证输入和输出的程序的正确性。定理的证明是基于将本文研究的程序语义与稳定模型的一阶公式模型相关联的引理。在TPLP中接受的考虑。

复杂的推理问题是使用逻辑规则最清楚，很容易指定的，但是需要具有汇总的递归规则，例如计数和总和用于实际应用。不幸的是，此类规则的含义是一个重大挑战，导致许多不同的语义分歧。本文介绍了与汇总的递归规则的统一语义，扩展了统一的基础语义和约束语义，以否定为递归规则。关键思想是支持对不同语义基础的不同假设的简单表达，并正交使用其简单的含义来解释聚合操作。我们介绍了语义的形式定义，证明了语义的重要特性，并与先前的语义相比。特别是，我们提出了对聚集的有效推断，该推论为我们从文献中研究的所有示例提供了精确的答案。我们还将语义应用于各种挑战的示例，并表明我们的语义很简单，并且在所有情况下都与所需的结果相匹配。最后，我们描述了最具挑战性的示例实验，当他们可以计算正确的答案时，表现出与知名系统相比出现的出色性能。

我们提出了答案设置的程序，该程序指定和计算在分类模型上输入的实体的反事实干预。关于模型的结果，生成的反事实作为定义和计算分类所在实体的特征值的基于因果的解释分数的基础，即“责任分数”。方法和程序可以应用于黑盒式模型，也可以使用可以指定为逻辑程序的模型，例如基于规则的分类器。这项工作的主要重点是“最佳”反事实体的规范和计算，即导致最大责任分数的人。从它们中可以从原始实体中读取解释作为最大责任特征值。我们还扩展程序以引入图片语义或域知识。我们展示如何通过概率方法扩展方法，以及如何通过使用约束来修改潜在的概率分布。示出了在DLV ASP-Solver的语法中写入的若干程序，并与其运行。

在解决组合问题时，必须从搜索空间中修剪对称解决方案候选者。大多数现有方法都是特定于实例的，并专注于每个给定的问题实例的对称破坏约束（SBC）的自动计算。但是，由于计算出的SBC是命题，因此将这种方法应用于大规模实例或高级问题编码可能是有问题的，因此既不能被有意义地解释也不转移到其他实例中。结果，必须在求解器的每次调用之前进行耗时的SBC重新计算。为了克服这些限制，我们引入了一种新的面向模型的方法，用于答案集编程，该方法将小问题实例的SBC提升到一组可解释的一阶约束中，使用一种称为归纳逻辑编程的机器学习形式。在针对简单的组合问题之后，我们旨在扩展我们的方法，也可以应用于高级决策和优化问题。

从建模和复杂性角度来看，跨不同范围领域的统计关系表示的行为已成为研究的焦点领域。 2018年，Jaeger和Schulte将分布家族作为关键特性提出了预测性，以确保边际推断与域大小无关。但是，Jaeger和Schulte认为该域仅以其大小为特征。这项贡献将投影率的概念从域大小索引的分布家族到从数据库中进行扩展数据的函数。这使得投影率可用于采用结构化输入的大量应用程序。我们将投影性分配家庭的已知吸引人属性转移到新环境中。此外，我们证明了对无限域的投影率与分布之间的对应关系，我们用来将其统一和推广到无限域中的统计关系表示。最后，我们使用扩展的投影率概念来定义进一步的加强，我们称之为$ \ sigma $ - 标题性，并允许在保留投影率的同时以不同的模式使用相同的表示。

混合MKNF的逻辑（最少的知识和否定为失败）是一种强大的知识表示语言，它优雅地将ASP（答案集编程）与本体结合在一起。析取规则是基于正常规则的推理的理想扩展，通常是为正常知识基础设计的语义框架，需要进行大量重组以支持分离规则。另外，人们可以通过诱导普通知识基础的集合来提高正常规则的特征，以支持脱节规则，每个知识库具有相同的身体和一个原子。在这项工作中，我们将一组正常的知识基础称为脱节知识基础的头脑。关于是否可以使用带有头切的FixPoint构造来表征分歧混合MKNF知识库的语义是否出现问题。早些时候，我们已经证明可以将头切割与FIXPOINT运算符配对，以捕获分离的混合MKNF知识库的两值MKNF模型。三个值的语义扩展了两个值的语义，具有表达部分信息的能力。在这项工作中，我们提出了一个Fixpoint构造，该构造使用操作员迭代地捕获了三个值模型的混合MKNF知识库模型，该构造具有脱节规则。该特征还捕获了分离逻辑程序的部分稳定模型，因为程序可以表示为具有空的本体论的分离混合MKNF知识库。我们详细阐述了正常混合MKNF知识库的AFT（近似固定点理论）之间的特征和近似值之间的关系。

Two approaches to AI, neural networks and symbolic systems, have been proven very successful for an array of AI problems. However, neither has been able to achieve the general reasoning ability required for human-like intelligence. It has been argued that this is due to inherent weaknesses in each approach. Luckily, these weaknesses appear to be complementary, with symbolic systems being adept at the kinds of things neural networks have trouble with and vice-versa. The field of neural-symbolic AI attempts to exploit this asymmetry by combining neural networks and symbolic AI into integrated systems. Often this has been done by encoding symbolic knowledge into neural networks. Unfortunately, although many different methods for this have been proposed, there is no common definition of an encoding to compare them. We seek to rectify this problem by introducing a semantic framework for neural-symbolic AI, which is then shown to be general enough to account for a large family of neural-symbolic systems. We provide a number of examples and proofs of the application of the framework to the neural encoding of various forms of knowledge representation and neural network. These, at first sight disparate approaches, are all shown to fall within the framework's formal definition of what we call semantic encoding for neural-symbolic AI.