<html>
  <head>
    <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
  </head>
  <body>
    <p><tt>[Apologies for cross-posting]</tt><tt><br>
      </tt><tt>[Please redistribute] </tt><tt><br>
      </tt><tt><br>
      </tt><tt>The organization of the autumn school on logic and
        constraint programming invites you to participate in this year’s
        school (September, 18-19, virtually in Calabria), co-located
        with ICLP. It promises to be an interesting session -- for
        students, as well as for more senior researchers -- in which
        Marc Denecker discusses the <b>informal semantics</b> of logic
        programs (is negation-as-failure actually classical?), Peter
        Stuckey takes on the role of Trojan horse, convincing us to use
        <b>Minizinc</b> instead of logic programming, Martin Gebser
        provides unique insights in the magic he uses for tackling <b>industrial
          applications</b> with answer set programming, and Elena
        Bellodi will probably talk about <b>probabilistic logic
          programming</b>.</tt><tt><br>
      </tt><tt><br>
      </tt><tt>The courses will be run as a hybrid model in which the
        first two hours are thought live, and for the last two hours, a
        recording will be made available. </tt><tt><br>
      </tt><tt><br>
      </tt><tt>The abstracts of these talks are included below. </tt><tt><br>
      </tt><tt><br>
      </tt><tt>Registration is included in the ICLP registration and can
        be done via <a class="moz-txt-link-freetext" href="https://iclp2020.unical.it/registration">https://iclp2020.unical.it/registration</a> (early bird
        registration ends at September 13th)</tt><tt><br>
      </tt><tt><br>
      </tt><tt>The talks will be a mixture of live sessions and
        pre-recorded videos. More information will be made available on 
<a class="moz-txt-link-freetext" href="https://sites.google.com/view/iclp-dc-2020/autumn-school-on-logic-programming?authuser=0">https://sites.google.com/view/iclp-dc-2020/autumn-school-on-logic-programming?authuser=0</a></tt><tt><br>
      </tt><tt><br>
      </tt><tt>Spread the word, and we hope to see you soon in virtual
        Calabria. </tt><tt><br>
      </tt><tt><br>
      </tt><tt>Best regards,</tt><tt><br>
      </tt><tt>Daniela Inclezan, Gopal Gupta, and Bart Bogaerts</tt><tt><br>
      </tt><tt><br>
      </tt><tt>--------------------------------</tt><tt><br>
      </tt><tt><br>
      </tt><b><tt>Martin Gebser (Klagenfurt University): Applications of
          Answer Set Programming</tt></b><b><tt><br>
        </tt></b><tt><b>Abstract:</b> Answer Set Programming (ASP) is a
        paradigm of knowledge representation and reasoning that has
        become a popular means for declarative problem solving. The
        basic idea is to represent a complex application problem by a
        logic program such that specific interpretations, called answer
        sets, correspond to problem solutions. Powerful off-the-shelf
        ASP systems, such as clingo, dlv and idp, automate the problem
        solving process by first grounding a general problem encoding
        relative to an instance given by facts, and then performing
        Boolean constraint solving to compute (optimal) answer sets.</tt><tt><br>
      </tt><tt>The application areas of ASP include a variety of domains
        ranging from artificial intelligence, databases, mathematical
        and scientific fields to industrial use cases. For instance, the
        clingo system has been utilized for radio spectrum reallocation
        in the first-ever incentive auction conducted by the Federal
        Communications Commission, which in 2016 yielded about 20
        billion dollars revenue. Likewise, the dlv system has been
        deployed as a core tool in enterprise software for e-medicine,
        e-tourism, intelligent call routing and workforce management.
        Last but not least, the idp system has been harnessed for
        interactive configuration in the banking sector.</tt><tt><br>
      </tt><tt>Starting from the expressive modeling language, this
        tutorial presents and illustrates central features making ASP
        attractive for solving application problems. We particularly
        demonstrate the proficient usage of optimization, which is of
        crucial importance in virtually all realistic settings. Beyond
        traditional single-shot solving, we also outline recent
        advancements in multi-shot solving, driving the application of
        ASP in dynamic areas like automated planning, robotics control
        and stream reasoning.</tt><tt><br>
      </tt><tt><br>
      </tt><b><tt>Marc Denecker (KU Leuven): On the  informal semantics
          of knowledge representation languages and the case of Logic
          Programming.</tt></b><b><tt><br>
        </tt></b><tt><b>Abstract:</b> The  informal semantics of a
        formal language aims to explain the ``intuitive'' meaning of the
        logical symbols, and of the formulas and theories of the
        language. In the context of a KR language, it aims to express
        the knowledge conveyed by formulas and theories about the
        application domain, in a precise and systematic way.  It is a
        controversial concept.  In formal science, one often  avoids to 
        talk about such soft informal topics. For this reason, many may
        prefer to view  a (declarative) formal language as a tool to
        encode computational problems. In that view, the question of its
        informal ``intuitive'' semantics seems of no scientific
        relevance. Strictly speaking,  the meaning of negation as
        failure is not a scientific question here.</tt><tt><br>
      </tt><tt>In this course, we will view a formal KR language as a
        formal study of certain types of knowledge. The question of its
        informal semantics then becomes the corner stone of such a
        study, as it relates the formal entities (the formulas) to the
        informal objects that they intend to represent (the knowledge).
        The  scientific thesis of such a study   is then that a formal
        semantics correctly formalizes the informal semantics. The
        course starts with some considerations on viewing a formal
        language as a  formal study of some forms of knowledge. The
        discussion is based on, a.o., Poppers ideas of formal science.
        The  goal of this discussion is to derive insights  needed to
        understand the current status of informal semantics  in Logic
        Programming, and instruments to analyze it.</tt><tt><br>
      </tt><tt>In the second part of the lecture, we apply the above
        ideas and instruments on Logic Programming. A brief historical
        overview is given on the topic of informal semantics.  Three
        main ideas for informal semantics were proposed: the Closed
        World Assumption by Ray Reiter, logic programs as definitions by
        Keith Clark, and the (auto)epistemic/default interpretation by
        Michael Gelfond. We then analyze these informal semantics using
        the instruments introduced in the first part: where these
        informal semantics agree and disagree, how they were formalized,
        how to interpret semantical objects, what is the meaning of
        negation and the rule operator in them and which informal
        semantics applies in the context of concrete examples.</tt><tt><br>
      </tt><tt>The last part of the lecture is devoted to (inductive)
        definitions and the definitional view of LP. We argue that it is
        the most precise and the most widely applicable. Definitions
        extend CWA but are more precise and more general. They are not
        equivalent with the epistemic view and neither subsumes the
        other. But there are more applications for definitions than for
        epistemic theories.  In the view of logic programs as
        definitions, we argue that negation is classical but the rule
        operator is not (which confirms what Clark suggested long ago).
        We recall Harel's critique on completion semantics for
        expressing inductive definitions, and give  the proof that in
        general, inductive definitions cannot be expressed  in FO. We
        discuss the integration of definitional knowledge with the
        knowledge representation paradigm of classical logic, as it was
        done in the logic FO(ID). We end with considering what the
        declarative view of a logic program as a definition can 
        contribute in the view of LP as a programming language, as a
        query language and as a KR language.</tt><tt><br>
      </tt><tt><br>
      </tt><b><tt>Peter Stuckey (Monash University): MiniZinc for
          high-level solver-independent modelling</tt></b><b><tt><br>
        </tt></b><tt><b>Abstract: </b>In this tutorial we will
        introduce you to modelling discrete optimization problems using
        MiniZinc. MiniZinc allows you to model a discrete optimization
        problem without committing to a particular  solver or solver
        technology.  Thus you can avoid committing to the wrong solver
        technology to your problem. MiniZinc supports Constraint
        Programming, Mixed Integer Programming, Boolean SATisfiability,
        SAT Modulo Theories and Constraint-Based Local Search solvers.
        The tutorial will cover basic modelling, modelling viewpoints,
        and debugging models. The tutorial will involve a series of
        hands-on tasks using MiniZinc.</tt><tt><br>
      </tt><tt><br>
      </tt><b><tt>Elena Bellodi (University of Ferrara): Probabilistic
          Logic Programming</tt></b><b><tt><br>
        </tt></b><tt><b>Abstract:</b> Recently much work in Machine
        Learning has concentrated on representation languages able to
        combine aspects of logic and probability, in order to model
        domains characterized by both complex and uncertain
        relationships among entities. Machine Learning approaches based
        on such combinations have recently achieved important results,
        originating the fields of Statistical Relational Learning,
        Probabilistic Logic Programming and, more generally, Statistical
        Relational Artificial Intelligence. </tt><tt><br>
      </tt><tt>The course will concentrate on Probabilistic Logic
        Programming (PLP), which has received an increasing attention
        for its ability to incorporate probability in Logic Programming.
        Among various proposals for PLP, the one based on the
        distribution semantics has gained popularity being at the basis
        of many PLP languages. </tt><tt><br>
      </tt><tt>The course will describe syntax and semantics for the
        main PLP languages under the distribution semantics, and
        overview several systems for inference and learning. Then, it
        will provide an overview of hybrid Probabilistic Logic Programs,
        in which random variables may be both discrete and continuous.
        The course will present the main application areas and will
        include a hands-on experience with the PLP system cplint using
        the web application <a class="moz-txt-link-freetext" href="http://cplint.eu">http://cplint.eu</a>.</tt><tt><br>
      </tt></p>
  </body>
</html>

<br>
<div><span style="background-color:white;color:rgb(34,34,34);font-family:arial,sans-serif;font-size:12.8px"><br>--</span></div><span style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:12.8px;background-color:white"><b>Dona il  5x1000</b> all'Università degli Studi di Sassari</span><div><span style="color:rgb(34,34,34);font-family:arial,sans-serif;font-size:12.8px;background-color:white">codice fiscale: 00196350904</span></div>