本研究解决了逻辑程序（LP）在传统操作语义和模型解释下的理解差距，通过定义“支持”关系阐明程序的“知识”。该方法不仅表述了经典和直觉逻辑，还揭示了一种中间逻辑，并为知识表示、自动推理和形式验证提供了新的逻辑基础。

本研究针对大型语言模型 (LLMs) 在逻辑推理系统中有效整合专家知识的能力进行评估，特别是在工程领域的应用。提出的 ExKLoP 框架通过系统评估 LLM 生成的逻辑规则，发现尽管模型生成的代码几乎无语法错误，但在翻译专家知识时常会出现逻辑错误，迭代自我修正的效果有限。该框架为选择有效的自我修正系统模型提供了明确的评估平台，能显著改善系统安全和可靠性。

本研究探讨了如何有效提取大型语言模型中的知识以生成逻辑程序。通过新方法增强推理能力，验证其应用潜力，结果表明能加速逻辑程序的推理过程。

本研究提出了一种新型生成与测试框架，显著提高了逻辑程序求解器的效率，测试候选方案数量减少，求解器性能提升约3.3倍，解决了91%的更多实例。

本研究提出了一种解决传统符号算法局限性的技术，能够处理噪声和未观察转换。实验表明该方法具有良好的效果和可扩展性，能够提高逻辑程序的学习能力。

本研究探讨了保守扩展下的稳定模型语义的行为和属性，并定义了转缀稳定模型语义的子类。研究揭示了属性之间的关系，并得出了一些结论，有助于评估语义和揭示特征。证明了存在性和谨慎单调性的特性是等价的，并对相关性失败进行了描述。

本研究概述了与逻辑编程在答案集语义下相关的非正式语义的历史调查，并将其与答案集编程和ASP-Prolog对齐。

本研究探讨了Argumentation Framework和Partial Stable Models之间的关系，并证明了基于AF的框架可以翻译成逻辑程序，不同的Delta语义扩展对应于不同的PSM子集。该研究为新的基于AF的框架的语义定义提供了可能性。

归纳逻辑编程是一种基于逻辑的机器学习形式，通过训练示例归纳出逻辑程序。研究关注新的搜索方法、学习递归程序的技术和谓词发明的新方法。探讨了归纳逻辑编程的限制和未来研究方向。

该文介绍了 Epistemic Logic Programs 中的自底向上和自顶向下的分割方法，并证明了它们的等价性。作者引入了新的定义和语义属性进行分析。

该研究探讨了 Argumentation Framework 和 Partial Stable Models 之间的关系，证明 Delta 可以被翻译成逻辑程序，不同 Delta 语义扩展对应不同 PSM 子集。该研究为新的基于 AF 的框架的语义定义提供了可能性。

本文研究了基于Sato分布语义的概率逻辑程序，分析了基于稳定和基于良基模型的语义，探讨了credal语义产生的概率模型集合是无限单调Choquet容量的结果产生的几个有用的结果，并研究了其推理和查询的复杂度。作者对此进行了详细说明，并对无环、分层、周期性的命题和关系程序，提出了推理和查询复杂度的结果，该复杂度达到各种计数层次和指数级别。

本文介绍了一种发现高阶抽象的方法，重点是归纳逻辑编程。通过在STEVIE中实现该方法，可以提高预测准确性27%并减少学习时间47%。STEVIE还能够发现可应用于不同领域的抽象概念。