ASP-KNN：一种声明式、约束感知的可解释k-最近邻算法在答案集编程中的重构

经典的k-最近邻（KNN）算法提供了一种简单有效的非参数分类方法，但其程序化公式的透明性有限，缺乏将领域约束或推理控制纳入的方法。本文介绍了ASP-KNN，一种使用答案集编程（ASP）对KNN进行的声明式重构，其中邻居选择、排名和投票聚合通过逻辑规则表达。基线ASP-KNN程序有效再现了经典KNN的预测行为，同时揭示了中间推理结构，如选定的邻居和投票分布。在此基础上，我们介绍了两个声明式扩展。第一个扩展纳入了标签排除约束，防止在分类过程中直接分配禁止标签。第二个扩展引入了一种软偏好机制，通过优先选择由更近邻居支持的分配来细化在模糊邻域中的决策。在五个广泛使用的公共基准数据集（Iris、Wine、Breast Cancer、Pima Diabetes和Sonar）上的实验，以及与标准可解释分类器（决策树）的轻量比较，表明基线ASP公式有效再现了经典KNN的预测行为，同时实现了显式的约束执行和可解释的推理踪迹。基于约束的扩展确保了对禁止标签零违规，而偏好机制在模糊邻域配置中细化决策，同时没有显著改变整体预测性能。运行时分析进一步揭示了推理灵活性与效率之间的计算权衡，大部分开销来源于ASP生成。总体而言，ASP-KNN表明基于实例的分类可以被重构为透明且可扩展的推理过程，从而在统一的KNN框架内实现约束、偏好和符号解释的整合。