대규모 언어 모델(LLM) 에이전트는 외부 도구에 점점 더 의존하면서 능력은 확장되지만 새로운 보안 경계를 만들어낸다. 서드파티 도구는 인터페이스 수준에서는 무해해 보일 수 있지만 구현에는 안전하지 않은 동작이 내장되어 있을 수 있다. 기존 방어 기법은 약한 메타데이터에 의존하거나, 특성화(characterization)와 정책 판단을 단일 결정으로 축소하거나, 태스크 컨텍스트와 다중 도구 구성(composition)에 대한 결정론적이고 감사 가능한 추론이 부족한 휴리스틱/LLM 기반 집행을 사용한다. 본 논문은 사전 승인 심사(pre-admission vetting)와 태스크 인식 런타임 승인(task-aware runtime authorization)을 통해 에이전트-도구 상호작용을 보호하는 정책 기반 프레임워크인 ToolGuardian을 제안한다. ToolGuardian은 점진적 특성화(progressive characterization)를 사용해 증거를 구조화된 사실로 변환한다. 설명(description)은 선언된 의도를 포착하고, 시스템 호출(syscall) 추적은 거친 수준의 동작을 드러내며, 모의 실행(mock execution)은 관측된 효과를 밝히고, 소스 분석은 잠재(latent) 동작을 식별한다. ToolGuardian의 핵심 기여는 역량(capabilities), 효과(effects), 태스크 컨텍스트, 구성(composition)에 대해 명시적으로 추론하는 답 집합 프로그래밍(ASP) 기반 선언적 정책 층이다. 동일한 입력과 출력 계약을 사용하여 ASP를 휴리스틱 및 LLM 기반 정책 구현(realizations)과 비교한다. 16개의 MCP 스타일 도구(실제 오픈소스 도구에서 파생된 8개의 악성 변종 포함)와 20개의 런타임 시나리오에서 ToolGuardian을 평가한다. 심사(vetting)에서 ASP는 설명, syscall, 관측된 효과 증거를 사용하여 거부(deny) 클래스 F1 0.86과 88% 정확도를 달성한다. 런타임 승인에서는 완전히 명시된 구현이 모든 시나리오를 올바르게 분류하는 반면, ablation은 구성(compositional) 및 준수(conformance) 규칙을 제거하면 성능이 크게 저하됨을 보여준다.
기술 서술 논리(description logic) 프로그램은 규칙과 온톨로지를 결합하는 강력한 형식론이다. 기술 서술 논리 프로그램에 대한 well-supported 의미론은 어떤 answer set도 순환 의존성에 의존하지 않도록 보장한다. 논리 프로그래밍의 대부분의 주류 의미론은 이러한 well-supportedness 속성을 갖는다. 우리는 DL 프로그램에 대한 현재 well-supported 의미론의 두 가지 한계를 인식한다: 일관성(consistency) 문제에 대한 계산 복잡도 증가와 reduct 변환 특성화의 부재. 본 연구에서는 현재 의미론보다 온톨로지적 원자(ontological atoms)를 더 엄격하게 평가하는 새로운 의미론을 제시한다. 이는 일관성 문제의 복잡도를 다항 계층(polynomial hierarchy)의 두 번째 수준으로 증가시키는 대신 NP-complete로 유지한다. 또한 우리는 새로운 의미론이 현재 의미론과 동등한 기술 서술 논리 프로그램의 구문적 클래스를 식별한다. 우리는 고정점 연산자(fixpoint operator)와 reduct 기반 변환을 사용하여 우리의 의미론을 특성화한다. 우리의 새로운 의미론은 현재 well-supported 의미론의 엄격한 부분집합이므로, 기존 well-supportedness 개념을 유지하면서 더 엄격한 고유의 개념을 유도한다. 논리 프로그래밍과의 유사성 때문에 우리는 well-supportedness에 대한 새로운 개념을 선호한다.
선형 제약의 통합은 답 집합 프로그래밍(ASP)의 적용 범위를 크게 확장했지만, 기존 하이브리드 솔버들은 종종 통일된 논리적 기반이 부족한 이질적인 의미론적 토대에 의존한다. 우리는 Bound-founded Logic of Here-and-There(HTb)의 다중 정렬(many-sorted) 변형을 도입하여 이 공백을 해소하며, 선형 제약이 확장된 ASP의 다양한 대안 의미론 전반에 걸쳐 균형 모델(equilibrium models)을 특성화할 수 있는 다목적 프레임워크를 제공한다. 이 프레임워크를 차분 제약(difference constraints) 설정에 적용하고, clingo[DL]의 의미론적 특성화에 초점을 맞춘다. 우리 접근법의 핵심은 수치 변수에 대한 foundedness의 형식화이다. clingo[DL], clingcon, flingo와 같은 서로 다른 하이브리드 시스템이 제약 원자(constraint atoms)를 정당화하는 방식을 조사함으로써, 우리는 그들의 상이한 동작의 의미론적 뿌리를 밝혀낸다. 이 조사는 clingo[DL]와 같은 현재 시스템의 기초를 형식화할 뿐만 아니라 프로그램 단순화의 엄밀한 연구와 다양한 의미론적 원칙의 향후 통합을 촉진하는 단일하고 일관된 프레임워크를 산출한다.
대규모 언어 모델(LLM)을 비정형 텍스트에서 의미론적 데이터 추출에 사용하여 자연어로부터 후보 관계형 사실을 생성할 때, 복잡한 조합적 추론과 전역적 일관성을 요구하는 작업에서는 여전히 신뢰할 수 없을 수 있다. 본 논문은 LLM 기반 추출과 답변 집합 프로그래밍(ASP)을 결합한 논리 기반 데이터 추출 프레임워크를 제안한다. LLM은 후보 사실을 생성하고, ASP는 검증, 추론, 일관성 검사, 제어를 수행한다. 모든 대상 술어에 대해 LLM을 독립적으로 질의하는 기존 파이프라인과 달리, 제안된 접근법은 ASP 추론을 사용하여 각 단계에서 논리적으로 허용 가능한 술어를 식별하고 추출 질의를 안내한다. LLM 호출과 ASP 도출을 교차 배치함으로써, 프레임워크는 추가 추출 없이 논리적으로 함의되는 사실을 추론하고 불일치를 조기에 감지한다. 파이프라인을 형식화하고, 완화된 가정 하에서 최종 추출 사실에 관하여 기준선 접근법과 동등함을 증명하되, 더 적은 수의 LLM 호출이 필요함을 보인다. 또한 논리 기반 제어 질의를 위한 캐싱 메커니즘을 도입하여, 점진적으로 구성되는 사실 집합에 대한 연언 질의의 단조성을 활용해 솔버 호출 횟수를 줄인다. ASP로 파생된 벤치마크에서의 실험은 프레임워크가 LLM 호출을 줄이고 허위 출력을 완화하여 추출 품질을 향상시킴을 보여 주며, 제어된 의미론적 추출을 위한 비단조 논리 프로그래밍의 가치를 입증한다.
제약 답 집합 프로그래밍(CASP)은 답 집합 프로그래밍(ASP)과 제약 처리 및 이론 모듈 만족가능성(SMT)을 결합한 하이브리드 추론 패러다임으로, 복잡한 조합 탐색 문제에 대한 강력한 선언적 인코딩을 가능하게 한다. 본 논문은 CASP 해결의 번역적 접근 방식을 발전시키는 확장 가능한 SMT 기반 CASP 프레임워크인 EZSMTV3의 설계와 구현을 제시한다. EZSMT+ 시스템의 기반 위에 구축된 EZSMTV3는 보다 표현력 있는 입력 언어를 도입하고, 약제약(weak constraints)을 통한 최적화를 지원하며, 새로운 제약 유형의 원활한 통합을 위한 기반을 제공한다. EZSMTV3는 사용자 정의 탐색 절차를 구현하는 대신 CVC5, YICES, Z3와 같은 최첨단 SMT 솔버를 활용하여 추론을 수행한다. 본 논문은 EZSMTV3를 CLINGCON, CLINGO[DL], CLINGO[LP] 등 CASP 동료 시스템과 비교한 벤치마크 결과를 제공하며, 정수와 실수를 모두 포함하는 혼합 영역 제약을 처리할 수 있는 능력을 보여준다. 이 시스템은 CASP 영역 내에서 향후 확장 및 이론적 탐험을 위한 견고한 플랫폼을 제공한다.
답집합 프로그래밍(ASP)과 에너지 기반 모델(EBM)을 모듈식으로 통합하는 신경기호(neurosymbolic) 추론·학습 프레임워크 ASPEn을 제안하며, ASP의 비단조 추론과 제약 조건이 연속 잠재 공간의 에너지 최적화를 직접 구조화하는 엔드-투-엔드 학습을 지원한다. MNIST 기반 덧셈, 시각적 질문-답변 벤치마크 CLEVR, 다중 객체 추적 벤치마크 MOT에서 평가하여 소음·부분 관측 등 실세계 동적 도메인에서의 강건성을 입증한다.
계량 정답 집합 프로그래밍(Metric ASP)에서 지속 시간·마감 기한 같은 정량적 시간 제약을 효율적으로 처리하기 위해, 메타 인코딩 기반의 계산적 접근법을 제안하며 차이 제약(difference constraints)으로 시간 관련 처리를 외부화한다. 이를 통해 그라운딩 병목 문제를 해소하고 시간 정밀도에 무관한 확장 가능한 구현을 달성하며, 치과 예약 시나리오·다중 에이전트 경로 탐색·작업 스케줄링 실험으로 검증한다.
인간의 추론은 흔히 높다, 낮다, 비싸다, 저렴하다와 같은 언어적 레이블로 표현되는 정성적 개념을 통해 이루어지는데, 이러한 개념의 해석은 문맥에 따라 달라지며 수치 데이터에 기반하면서도 대체로 모호하다. 본 논문은 수치 정보와 정성적 추론을 연결하기 위해 정답 집합 프로그래밍(ASP)의 퍼지 논리 기반 정성적 확장을 새롭게 탐구한다. 별도의 연구에서 공식적으로 소개된 기반 언어는 엄격한 임계값을 피하고 모호성 하에서도 강건한 추론을 지원하는 원칙적 프레임워크를 제공한다. 대표적인 사용 사례에 초점을 맞추어, 본 프레임워크가 수치적으로 근거한 입력(예: 머신러닝 모델의 출력)과 정성적 레이블에 대한 기호적 추론을 어떻게 통합하는지 설명한다. 학습 기반 멤버십 함수 및 의미론적으로 풍부한 술어를 포함한 핵심 기능들은 전문가 지식, 문맥적 요인, 그리고 주관적 해석을 통합된 선언적 환경 내에서 결합할 수 있게 한다.
We present a general answer set programming based hybrid quantitative-qualitative method for computing constrained branching trajectory modes for moving objects in real-world settings. The method performs constrained traversal of an environment graph, enumerating geometrically admissible motion behaviours as stable models, each constituting a distinct trajectory mode characterised by both domain-dependent and independent factors such as derived event sequence, map topology, and domain norms. The hybrid trajectory computation method is generally applicable across motion characteristics typically encountered in diverse dynamic domains with moving objects, e.g., autonomous driving. We demonstrate applicability and highlight how computed trajectories are traceable to their underlying stable model, thereby affording verifiable interpretability that purely learned approaches cannot provide. We also perform an empirical evaluation with Argoverse 2, a large-scale real-world autonomous driving benchmark representative of the class of dynamic domains within the scope of the proposed method.
운영상 항공 교통 흐름 및 용량 관리(ATFCM, Air Traffic Flow and Capacity Management)는 안전하고 효율적인 운항을 보장하기 위해 항공 수요와 가용 섹터 용량 간의 균형을 맞춘다. 수학적 모델은 수요-용량 균형을 최적화(optimization) 문제로 형식화함으로써 안전 제약을 준수하면서 효율성을 극대화하여 운영 ATFCM 성능을 향상시킨다. 그러나 최신(SOTA) 연구는 항공기 궤적(이를 ATFM이라 한다) 또는 섹터 구성(이를 DAC라 한다)을 각각 별도로 최적화한다. 이는 ATFM과 DAC의 공동 최적화가 이점을 가져올 수 있는지에 대한 연구 공백을 남긴다. 우리는 Answer Set Programming(ASP) 인코딩을 갖춘 공동 ATFCM 모델을 제안함으로써 이 한계를 부분적으로 해소한다. ASP 구현은 공동 모델에 적용한 두 기준선과 비교 평가된다: SOTA 혼합 정수 계획(MIP, Mixed Integer Programming) 모델과 반복적 CASA 기반 휴리스틱(heuristic)이다. 계산 실험은 역사적 OpenSky Network 항공 데이터에 맞게 조정된 인스턴스 생성기를 활용한다. 결과에 따르면 ASP 모델은 MIP 모델보다 우수한 성능을 보이며, ASP는 소규모 인스턴스에서 휴리스틱 대비 경쟁력을 유지한다. 또한 DAC는 재경로(rerouting) 및 지연(delaying)과 비교하여 해결 성능에서 가장 큰 개선을 보이지만, DAC 또는 재경로의 무제한 변형은 탐색 공간 스래싱(search space thrashing)을 유발한다.