행동 효과를 반영하기 위한 지식 베이스 업데이트 작업인 프로그레션이 일반적으로 2차 논리를 필요로 하는 문제에서, 지역 효과·일반·비순환 행동 클래스의 1차 프로그레션 크기 복잡도를 Situation Calculus로 분석합니다. 합리적 가정 하에서 이 클래스들의 1차 프로그레션이 다항식 크기로만 성장함을 증명했습니다. 또한 2변수 1차 논리나 상수 포함 보편 이론 등 결정 가능 단편에서 프로그레션도 동일 단편에 머물러 결정 가능성과 실용적 적용 가능성이 보장됨을 보였습니다.
- •지역 효과·일반·비순환 행동 클래스의 1차 프로그레션 크기가 다항식으로 증가함을 증명
- •Situation Calculus 프레임워크를 사용한 엄밀한 크기 복잡도 분석 제시
- •결정 가능 단편(2변수 1차 논리, 상수 포함 보편 이론)에서 프로그레션도 결정 가능 유지
- •행동 기반 추론의 실용적 적용 가능성과 확장성을 뒷받침하는 이론적 근거 제공
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
On the Size Complexity and Decidability of First-Order Progression
- 1.상황 미적분 프레임워크에서 1차 논리 진행의 크기 복잡도와 결정 가능성을 체계적으로 분석
- 2.로컬 효과·일반·비순환 행동 클래스의 1차 진행이 다항 시간 내로 성장함을 증명
- 3.2변수 1차 논리 등 결정 가능 단편에서 진행이 동일 단편 내에 유지됨을 보임
왜 중요한가?
지식 기반 시스템에서 행동 효과 반영의 계산 복잡도를 명확히 해, AI 추론 및 계획 시스템의 실용적 구현 가능성을 뒷받침하는 이론적 기반을 제공한다.
본문 미리보기
arXiv:2605.12691v1 Announce Type: new Abstract: Progression, the task of updating a knowledge base to reflect action effects, generally requires second-order logic. Identifying first-order special cases, by restricting either the knowledge base or action effects, has long been a central topic in reasoning about actions. It is known that local-effect, normal, and acyclic actions, three increasingly expressive classes, admit first-order progression. However, a systematic analysis of the size of s
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
