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。

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。

稳定模型的理论是答案集编程的数学基础。该理论的几个结果是指逻辑程序的正依赖图的概念。我们描述了对该概念的修改，并表明对积极依赖的新理解使得可以加强其中一些结果。在逻辑编程（TPLP）的理论和实践中考虑的考虑因素。

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。

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。

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。

本文调查了两种基于逻辑的语言用于流的推理的相对表现力，即LARS程序 - 基于逻辑的基于逻辑的框架，用于分析推理，用于lars和LDSR的流，是最近扩展的语言用于流推理的I-DLV系统称为I-DLV-SR。尽管这两种语言在Datalog上构建，但语法和语义上确实有所不同。为了调和其表达能力的流推理能力，我们定义了一个比较框架，该框架使我们能够证明，不受任何限制，两种语言是无与伦比的，并确定可以通过另一种语言表达的每种语言的片段。

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。

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。

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。

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。

答案集编程（ASP）是一种强大的声明性编程范式，通常用于解决挑战性搜索和优化问题。ASP的建模语言由复杂的求解算法（求解器）支持，这些算法（求解器）使解决方案搜索有效，同时使程序员能够在高水平的抽象中对问题进行建模。作为知识表示和推理的一种方法，ASP从其简单性，简洁性和严格定义的语义中受益。这些特征使ASP成为开发正式可验证程序的直接方法。在人工智能（AI）的背景下，ASP程序的清晰度可用于构建可解释的，可信赖的AI。为了支持这些目标，我的研究涉及扩展支持ASP Progam验证的理论和工具。

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。

存在的规则语言是一系列本体语言，已广泛用于本体介导的查询应答（OMQA）。然而，对于大多数人来说，代表OMQA的域知识的表现力，称为节目表现力，尚未得到很好的理解。在本文中，我们为几个重要存在的存在规则语言的节目表现力建立了许多新颖的特征，包括元组生成依赖性（TGDS），线性TGDS以及分离TGD。这些特征采用自然模型 - 理论性质，有时采用自动机构性质，因此有时提供了强大的工具，用于识别这些语言中OMQA的域知识的可定定性。

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。

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。

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.

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。

在Meta解释学习（MIL）中，使用作为感应偏差的二阶数据乐曲条款，由用户手动定义。在这项工作中，我们展示了Mil的二阶元素可以通过Mil学习。我们通过$ \ theta $ -subsumption定义元素的一般性排序，并显示用户定义的\ quph {sort metarules}是通过语言类中最常见的\ emph {matrix元素}的专业化来实现的;并且，这些矩阵元素又通过三阶\ EMPH {打孔元素}的专用来导出，该变量在该组原子上量化，并且仅需要用户定义的文字数量的上限。我们表明元素语言的基数是语言中的多项式在打孔元素中的文字数量。我们通过分辨率重新框架MIL作为元素专业化。我们修改MIL Mularule专业化运营商以返回新的元标，而不是一阶条文，并证明新操作员的正确性。我们将新的运营商实施为辛劳，是MIL系统Louise的子系统。我们的实验表明，随着通过辛劳学到的分类元素逐渐取代的用户定义的分类元素，Louise的预测精度保持在训练时间小的成本。我们得出结论，自动导出的元素可以取代用户定义的元标。