摘要
人类推理通常通过定性的概念运作，这些概念通过模糊标签（如高、低、昂贵或便宜）表达，其解释依赖于上下文，通常是模糊的，尽管它们根植于数值数据。本文探讨了一种基于模糊逻辑的答案集编程（ASP）定性扩展，旨在弥合数值信息与定性推理之间的鸿沟。
所提出的语言在一项单独的研究中正式介绍，提供了一个原则性的框架，以避免僵化的阈值，并支持在模糊性下的稳健推理。我们通过一个具有代表性的用例，展示了该框架如何将数值基础输入（如机器学习模型的输出）与定性标签的符号推理相结合。
关键特性包括基于学习的成员函数和语义丰富的谓词，使得在统一的声明式环境中结合专家知识、上下文因素和主观解释成为可能。
博主点评： 本文通过引入模糊逻辑扩展答案集编程，提供了一种有效的方式来处理定性推理中的模糊性，尤其是在与机器学习输出结合时。这一方法有望在复杂决策系统中发挥重要作用。