Recursively defined linked datastructures embedded in a pointer-based heap and their properties are naturally expressed in pure first-order logic with least fixpoint definitions (FO+lfp) combined with background theories. However, automated reasoning for such logics has not seen much progress. Such logics, unlike pure FOL, do not even admit complete procedures, let alone decidable ones. In this paper, we undertake a foundational study of automatically finding proofs that use induction to reason in these logics. By treating proofs as pure FO proofs that are punctuated by declarations of induction lemmas, we separate proofs into deductively reasoned components and statements of lemmas that need to be synthesized. While humans divine such lemmas with intuition, we propose a technique that guides the synthesis of such lemmas using counterexamples that are finite first-order models that witness the help required for proving a goal theorem as well as non-provability and invalidity of lemmas. We develop relatively complete procedures for synthesizing lemmas for powerful FO+lfp logics. We implement our procedures and evaluate them over a class of theorems involving heap datastructures that require inductive proofs.


翻译:在基于指示的堆积中嵌入的、有精确定义的、有再精确定义的数据结构,其特性自然以纯一阶逻辑和最不固定的定义(Fo+lfp)与背景理论结合来表达。然而,这些逻辑的自动推理没有取得多大进展。这些逻辑与纯FOL不同,甚至没有接受完整的程序,更不用说可分解的程序。在本文中,我们进行一项基础研究,以自动找到证据,这些证据在这些逻辑中采用引导为理性。通过将证明作为纯FO证据处理,这些证据被诱导 Lemmas 宣言所标出,我们把证据分解为需要合成的推论元素的推理成分和脂质说明。虽然人类用直觉来创造出这样的精质,但我们提出一种技术,用以指导这些精质的合成,而反偏移样本是有限的第一阶模型,证明需要帮助来证明目标的标本以及利玛的非概率和无效性。我们开发了相对完整的程序,将精准的液合成为强大的FO+lfp逻辑所需要合成的精质。我们实施的程序,并评估了包含 heemma的分类的数据结构。我们执行程序,并评估了它们。

0
下载
关闭预览

相关内容

Automator是苹果公司为他们的Mac OS X系统开发的一款软件。 只要通过点击拖拽鼠标等操作就可以将一系列动作组合成一个工作流,从而帮助你自动的(可重复的)完成一些复杂的工作。Automator还能横跨很多不同种类的程序,包括:查找器、Safari网络浏览器、iCal、地址簿或者其他的一些程序。它还能和一些第三方的程序一起工作,如微软的Office、Adobe公司的Photoshop或者Pixelmator等。
【CIKM2020】神经逻辑推理,Neural Logic Reasoning
专知会员服务
49+阅读 · 2020年8月25日
【经典书】C语言傻瓜式入门(第二版),411页pdf
专知会员服务
51+阅读 · 2020年8月16日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
意识是一种数学模式
CreateAMind
3+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
9+阅读 · 2020年2月15日
Inductive Relation Prediction by Subgraph Reasoning
Arxiv
11+阅读 · 2020年2月12日
Arxiv
7+阅读 · 2019年6月20日
VIP会员
相关资讯
意识是一种数学模式
CreateAMind
3+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员