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。

本研究提出了可接受修订算子，包括Darwiche-Pearl算子和新的restrained revision算子，探讨了不同情境下的修订选择方法。研究还涉及信念更新、逻辑程序演变及修订算子的构建，提出基于知识度量的信念变化框架，并分析了信息损失与增益。

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。

本文探讨了逻辑程序的稳定模型语义及其性质，提出了简洁的抽象表示方法，并扩展了第一阶稳定模型语义。研究了稳定模型与循环公式的关系，定义了新的稳定模型语言，以处理非单调推理和不确定性信息。

本文提出了一种新方法，解决抽象论证中的计算问题，利用现有算法处理不同距离的碎片。研究探讨了抽象辩论框架与逻辑程序之间的关系，提出了新的求解方法和算法，并验证了偏好的计算复杂性，提供了实验结果和源代码。

本文探讨了基于图的解释和答案集编程（ASP）的证明方法，涉及程序重写、逻辑程序更新、形式验证及其在心理学中的应用。研究表明，新编码方法在复杂性反映上表现良好，并优化了推理过程。

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。