Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Metabolic Pathways as Temporal Logic Programs Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

A Tool for Probabilistic Reasoning Based on Logic Programming and First-Order Theories Under Stable Model Semantics

verfasst von : Matthias Nickles

Erschienen in: Logics in Artificial Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This System Description paper describes the software framework PrASP (“Probabilistic Answer Set Programming”). PrASP is both an uncertainty reasoning and machine learning software and a probabilistic logic programming language based on Answer Set Programming (ASP). Besides serving as a research software platform for non-monotonic (inductive) probabilistic logic programming, our framework mainly targets applications in the area of uncertainty stream reasoning. PrASP programs can consist of ASP (AnsProlog) as well as First-Order Logic formulas (with stable model semantics), annotated with conditional or unconditional probabilities or probability intervals. A number of alternative inference algorithms allow to attune the system to different task characteristics (e.g., whether or not independence assumptions can be made).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Information Flow Under Budget Constraints
Nächstes Kapitel Pakota: A System for Enforcement in Abstract Argumentation
Fußnoten
2
PrASP’s default ASP grounder/solver Clingo also allows for function symbols, but for simplicity we ignore functions in the rest of this section.
 
4
Not related to the Iterative Refinement method in linear systems solving.
 
Literatur
1.
Lee, J., Palla, R.: System f2lp – computing answer sets of first-order formulas. In: Erdem, E., Lin, F., Schaub, T. (eds.) LPNMR 2009. LNCS (LNAI), vol. 5753, pp. 515–521. Springer, Heidelberg (2009). doi:10.​1007/​978-3-642-04238-6_​51 CrossRef
2.
Sato, T., Kameya, Y.: Prism: a language for symbolic-statistical modeling. In: Proceedings of the 15th International Joint Conference on Artificial Intelligence, IJCAI 1997, pp. 1330–1335 (1997)
3.
Muggleton, S.: Learning stochastic logic programs. In: Electronic Transactions in Artificial Intelligence (2000)
4.
Cussens, J.: Parameter estimation in stochastic logic programs. Mach. Learn. 44, 245–271 (2000)CrossRefMATH
5.
Friedman, N., Getoor, L., Koller, D., Pfeffer, A.: Learning probabilistic relational models. In: IJCAI, pp. 1300–1309. Springer (1999)
6.
Lee, J., Meng, Y., Wang, Y.: Markov logic style weighted rules under the stable model semantics. In: ICLP 2015 (Technical Communications), vol. 1433, (2015)
7.
Kersting, K., Raedt, L.D.: Bayesian logic programs. In: Proceedings of the 10th International Conference on Inductive Logic Programming (2000)
8.
Raedt, L.D., Kimmig, A., Toivonen, H.: Problog: a probabilistic prolog and its application in link discovery. In: IJCAI, pp. 2462–2467 (2007)
9.
10.
Richardson, M., Domingos, P.: Markov logic networks. Mach. Learn. 62, 107–136 (2006)CrossRef
11.
12.
Baral, C., Gelfond, M., Rushton, N.: Probabilistic reasoning with answer sets. Theory Pract. Log. Program. 9, 57–144 (2009)MathSciNetCrossRefMATH
13.
Saad, E., Pontelli, E.: Hybrid probabilistic logic programs with non-monotonic negation. In: Gabbrielli, M., Gupta, G. (eds.) ICLP 2005. LNCS, vol. 3668, pp. 204–220. Springer, Heidelberg (2005). doi:10.​1007/​11562931_​17 CrossRef
14.
Corapi, D., Sykes, D., Inoue, K., Russo, A.: Probabilistic rule learning in nonmonotonic domains. In: Leite, J., Torroni, P., Ågotnes, T., Boella, G., Torre, L. (eds.) CLIMA 2011. LNCS (LNAI), vol. 6814, pp. 243–258. Springer, Heidelberg (2011). doi:10.​1007/​978-3-642-22359-4_​17 CrossRef
15.
Vennekens, J., Verbaeten, S., Bruynooghe, M.: Logic programs with annotated disjunctions. In: Demoen, B., Lifschitz, V. (eds.) ICLP 2004. LNCS, vol. 3132, pp. 431–445. Springer, Heidelberg (2004). doi:10.​1007/​978-3-540-27775-0_​30 CrossRef
16.
Sato, T.: A statistical learning method for logic programs with distribution semantics. In: International Conference on Logic Programming, pp. 715–729 (1995)
17.
Nickles, M., Mileo, A.: Probabilistic inductive logic programming based on answer set programming. In: 15th International Workshop on Non-Monotonic Reasoning (NMR 2014) (2014)
18.
19.
de Bona, G., Cozman, F.G., Finger, M.: Towards classifying propositional probabilistic logics. J. Appl. Logic 12(3), 349–368 (2014)MathSciNetCrossRefMATH
20.
Riguzzi, F., Swift, T.: Probabilistic logic programming under the distribution semantics. In: Kifer, M., Liu, Y.A. (eds.) Declarative Logic Programming: Theory, Systems, and Applications, LNCS. Springer (2016)
21.
Nickles, M., Mileo, A.: A hybrid approach to inference in probabilistic non-monotonic logic programming. In: 2015 Probabilistic Logic Programming (PLP 2015), CEUR (2015)
22.
Rödder, W., Meyer, C.: Coherent knowledge processing at maximum entropy by SPIRIT. In: Proceedings of the 12th Conference on Uncertainty in Artificial Intelligence (UAI 1996) (1996)
23.
Nickles, M., Mileo, A.: Web stream reasoning using probabilistic answer set programming. In: Proceedings of Web Reasoning and Rule Systems - 8th International Conference (RR 2014) (2014)
Metadaten
Titel
A Tool for Probabilistic Reasoning Based on Logic Programming and First-Order Theories Under Stable Model Semantics
verfasst von
Matthias Nickles
Copyright-Jahr
2016
Buch
Logics in Artificial Intelligence

Print ISBN: 978-3-319-48757-1

Electronic ISBN: 978-3-319-48758-8

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-48758-8_24

Premium Partner

    Bildnachweise