非单调推理在动作语言系统刻画中的理论与应用研究

As an important approach in logic-based artificial intelligence, nonmonotonic reasoning successfully solves the ramification problem in knowledge representation and reasoning. The idea has also promoted the development of varieties of action languages. These logic-based methods and action languages have high reliability, solid theoretical basis and clear intuition, and have shown advantages in applications involving complex logical relations. However, different action languages ​​lack systematic analysis tools, and the choice of different languages in applications lack theoretical basis. And usually due to the high cost of model calculation, these approaches have obvious limitation in many large-scale computing application scenarios, failing to give full play to its advantages. This project fully considers the advantages and limitations of nonmonotonic reasoning and action languages, and aims to establish a systematic analysis tool. The main contents of this research project are as follows: 1) Proposing the characterizations of existing action languages, without submitting to a fixed specific logic tool; 2) Constructing a general action language analysis system, to characterize, analyze and compare different action languages; 3) Finally, introducing action languages and nonmonotonic reasoning into Atari game artificial intelligence based on Deep Q-Learning, to study how much could logic method improves the performance of learning. This project aims to provide a theoretical basis for the design, selection and application of different action languages, explore the combination of nonmonotonic reasoning and deep learning, to expand the application scope of logic methods.

作为基于逻辑的人工智能领域的重要方法，非单调推理成功地解决了分支问题，并促进了多种动作语言的产生与发展。相关方法具有高可靠性、强理论支持，并且直观意义明确，在包含复杂逻辑关系的应用场景中优势明显。但现有多种多样的动作语言缺乏系统分析工具，并且其模型计算通常代价高昂，在许多大规模的应用领域中能力有限，未能充分发挥优势。本项目充分考虑非单调推理与动作语言的优势与局限，以建立通用的分析系统为目标，主要研究内容有：1）构建现有动作语言的不依赖于特定逻辑工具的特性刻画；2）构建通用的动作语言分析系统，对动作语言进行刻画、分析与对比；3）最后将动作语言与非单调推理引入基于深度学习的Atari游戏人工智能中，研究逻辑方法的引入在提高学习效率上的表现。本项目旨在为动作语言的设计、选择与使用提供理论依据，并探索非单调推理与深度学习的结合，拓展逻辑方法的应用领域。

本项目针对当前深度神经网络黑盒模型缺乏可解释性、数据依赖等问题，将基于非单调推理的符号主义方法与深度学习结合，在游戏AI、决策等领域进行探索与应用。逻辑方法被普遍认为具有高可靠性、强理论支持，而且直观意义清楚明确，其框架下的智能体具有可靠的推理能力和清晰可见的推理过程。但也因其模型计算代价高昂，在独立刻画大规模系统时，计算效率成为瓶颈，使逻辑方法在许多应用领域未能充分发挥其优势。然而近年来深度学习技术的发展与广泛应用，提供了新的平台与机会。在一些高复杂度、高普适性的场景中，两种技术的结合产生了良好的效果。.本项目主要探索了推理等符号化方法与深度学习的结合方式，主要在决策应用层面、训练层面与数据层面进行了二者结合的尝试。基本建立了较为通用的结合框架，即知识驱动的符号化方法作为确定性推理的模块，在数据驱动的机器学习方法框架中概率性地生效。该框架在游戏AI、动态决策、医疗辅助诊断等应用场景中效果良好。项目产出高水平论文多篇，项目执行期间，共发表论文6篇，其中CCF A类期刊论文4篇（均为第一/通讯作者），在CCF-A类会议论文2篇（第一作者1篇）；申请中国专利3项（实质审查），授权美国发明专利1项。除了完成预期论文、专利申请目标，项目主持人参加国内外学术会议8次，其中作为组委会主席组织会议1次、受邀报告3次，分组报告2次；2020年获得CCF-A类会议IJCAI首届MAIQ竞赛Verbal赛道冠军、Diagram赛道冠军等奖项。研究成果受到国际同行认可。该项目研究产出的方法、框架与数据，对于进一步开展知识引导的深度学习具有重要意义。