Конференция IJCAI считается одной из ведущих площадок в области рассуждений, планирования и знаний в ИИ — наряду с AAAI. В 2026 году IJCAI-ECAI пройдёт с 15 по 21 августа в Бремене (Германия), совмещаясь с 29‑й ECAI (Европейской конференцией по ИИ). ECAI с 1974 года — традиционная площадка для исследований в области символического ИИ и инженерии знаний. Её области охвата включают planning, search, constraints, satisfiability, knowledge representation.
В IJCAI опубликовано 82 статьи (данные на 7 августа 2026 года): из них 50 посвящены рассуждениям (инференс/), 32 — планированию . Эти статьи составляют 8 % от общего числа материалов в конференции. Прогнозируемое общее количество заявок на IJCAI 2026 — свыше 5400, принятых статей — 990 (уровень принятия около 18 %).
В main-track IJCAI-ECAI 2026 будет представлено:
* 67 статей по Knowledge Representation and Reasoning;
* 32 статьи по Planning and Scheduling.
Эти два направления составляют 13,3 % принятых статей main-track. С учётом направлений Constraint Satisfaction and Optimization и Search общее количество статей по тематике рассуждений, планирования и знаний достигает 148 — это около 20,8 % от общего числа. Таким образом, каждая пятая статья на IJCAI относится к символическим рассуждениям.
В последние годы в работах, отмеченных наградой за выдающуюся статью на конференции IJCAI, часто встречаются работы по направлениям «рассуждение», «планирование», «знание». Ежегодно конференция выбирает три такие работы.
К 2026 году направление рассуждений (Reasoning) в IJCAI не только не утратило актуальности, но и получило новое развитие благодаря большим языковым моделям. В работах IJCAI-ECAI 2026 отражена тенденция перехода от чисто символьных методов к нейросимвольным.
Один из ключевых формальных инструментов для представления знаний и рассуждений — Answer Set Programming (ASP). Проблема интеграции ASP с нейронными сетями заключается в том, что существующие методы (NeurASP, SLASH) зависят от классических решателей ASP: непрерывный вывод нейронной сети нужно преобразовать в дискретные символьные атомы, чтобы передать их решателю. Такое преобразование приводит к проблеме комбинаторного взрыва и не позволяет использовать возможности параллельных вычислений на GPU.
Thomas Eiter (Венский технологический университет), Katsumi Inoue и Sota Moriyama (Национальный институт информатики Японии) представили на IJCAI-ECAI 2026 метод Neural Decision-Propagation (NDProp) для преодоления этой проблемы. NDProp включает:
* Decision-Propagation (DProp) — итеративный конвейер;
* нейрорасширение.
Суть DProp: на уровне атомов поочерёдно выполняются «решение о ложном значении» и «распространение истинного значения». На каждом шаге выбирается ещё не определённый атом, временно присваивается ему ложное значение, затем распространяются его логические последствия — до тех пор, пока все атомы не будут определены. В работе строго доказано, что успешный расчёт DProp точно отражает семантику устойчивых моделей.
NDProp расширяет DProp до дифференцируемой версии: вместо дискретного решения о ложном значении используется рекуррентная нейронная сеть, вместо распространения истинного значения — операторы нечёткой логики. Это позволяет выполнять сквозное обучение всего процесса решения ASP в непрерывном пространстве. При бинарном выходе вычисления NDProp эквивалентны DProp — обучение NDProp с функцией потерь, принудительно устанавливающей бинарный выход, заставляет сеть учиться выводить устойчивые модели без каких‑либо сигналов контроля.
Результаты экспериментов:
* в задаче арифметического рассуждения на MNIST NDProp превзошёл NeurASP и SLASH по точности;
* средняя скорость вывода NDProp примерно в 42 раза выше, чем у NeurASP, и примерно в 7 раз выше, чем у SLASH;
* в задаче визуального судоку с неполными данными NDProp превосходит чисто символические и чисто нейронные методы при любом объёме данных — сочетает точность символического рассуждения и надёжность нейронных сетей.
Значение работы: NDProp «нейронизирует» сам процесс решения ASP, открывая путь к сквозному нейросимвольному ИИ. Подробнее можно ознакомиться со статьёй: и кодом: ：IJCAI：
Ещё одна работа на IJCAI-ECAI 2026 — «Bridging LLMs and SAT Solving: Automated Evolution of High-Performance Heuristics» (https://2026.ijcai.org/accepted-papers?ijtrack=main-track) предлагает использовать большие языковые модели для автоматической эволюции функций-эвристик SAT‑решателей. Разработан фреймворк AESAT (https://github.com/FSQH-dh/AE SAT): GPT‑4.5 генерирует идеи, Claude 3.7 реализует код, DeepSeek‑R1 выполняет логический анализ и эволюционный кросс. Фреймворк умеет самооптимизироваться, анализируя исторические данные. Решатель AE‑Kissat‑MAB победил в основной дисциплине международного конкурса SAT в 2025 году.
Zeynep G. Saribatur выступит на IJCAI‑ECAI 2026 в рамках Early Career Spotlight с докладом «Towards Reasonable AI: Foundations for Abstraction and Generalized Reasoning». Источник: страница автора: Её исследования посвящены разработке формальных методов абстракции в ASP — для упрощения представления рассуждений без потери ключевых свойств решения. Работа «Abstracting the Indistinguishable in ASP» (в соавторстве с CRIL) принята в основной трек IJCAI 2026.
С 2019 по 2026 год в исследованиях планирования (IJCAI) произошёл сдвиг: классическая PDDL‑планировка сохраняется, но растёт интерес к смешанному планированию на основе LLM. Система DUPLEX (статья опубликована в IJCAI-ECAI 2026, arXiv:2603.23909,) — двойная система планирования с использованием LLM и символического планировщика. В быстрой системе лёгкий LLM извлекает из текстовых инструкций сущности и отношения, преобразует их в PDDL-файл и передаёт символическому планировщику. При сбое планирования активируется медленная система: с помощью диагностических данных от решателя высокий LLM проводит итеративный анализ и исправление. В 12 областях планирования DUPLEX показал более высокую успешность и надёжность по сравнению с существующими решениями.
Amazon представила SIPP-PP-LNS (статья:): двухэтапный алгоритм для планирования движения нескольких роботов в реальном времени. Первый этап — SIPP-PP для генерации начальных траекторий без столкновений и стратегия резервирования целей. Второй этап — LNS с управлением XGBoost для выбора решений в условиях высокой загруженности. Решение работает в десятки миллисекунд — в 100–1000 раз быстрее современных обучаемых методов.
Нанкинский университет (LAMDA) организовал ChinaTravel Challenge @ IJCAI 2026 — второй конкурс по интеллектуальному планированию путешествий на основе 1154 реальных китайских запросов на путешествия. ChinaTravel требует от модели сбора информации с помощью множества инструментов и учёта взаимосвязанных переменных (пространство, время, бюджет, вкусы, физическая нагрузка), а также проверки семантического понимания, выполнения ограничений и способности к обобщению через проверку комбинаторных ограничений. Философия конкурса согласуется с позицией Нандинского университета LAMDA: LLM отвечают за понимание языка, а символьный уровень — за долгосрочный поиск и циклическую коррекцию ошибок.
Лаборатория CRIL (Университет Артуа) представила 7 статей на IJCAI-ECAI 2026, охватывающих основные направления KRR. Среди работ:
* «Abstracting the Indistinguishable in ASP» (Zeynep G. Saribatur, Markus Hecher, Johannes K. Fichte) — исследование абстракции «неразличимых» атомов в ASP: как абстрагировать эквивалентные атомы в более высокоуровневое представление для упрощения решения без потери ключевой информации;
* «Diversity of Extensions in Abstract Argumentation» — введение количественного понятия «разнообразия расширений» на основе симметричной разности для анализа различий между приемлемыми наборами аргументов; анализ вычислительной сложности и прототипная реализация;
* «Computing Coverage-Based Prime Implicant Explanations for Tree-Based Models» — применение технологий представления знаний в объяснимом ИИ (XAI) для генерации оптимальных по покрытию объяснений для древовидных моделей;
* «gDMC: A Generic Distributed Model Counting Framework» — решение распределённой задачи подсчёта моделей (#P-полная задача);
* « splitting Meanings » — предоставление единого взгляда на измерение несогласованности и неполной согласованности.
Thomas Eiter, Tobias Geibinger и Zeynep G. Saribatur опубликовали на IJCAI-ECAI 2026 в треке Survey/Vision работу «An XAI View on Explainable ASP: Methods, Systems, and Perspectives», где систематизировали роль ASP в объяснимом ИИ (XAI). ASP имеет преимущество благодаря тому, что процесс вывода представляет собой цепочку логических вычислений, понятную человеку. Однако для «объяснимости» нужны специально разработанные методы объяснения, системы визуализации и интерактивные интерфейсы. Работа интегрирует разрозненные исследования в единую картину по трём направлениям: методы, системы и перспективные направления.
Eduard Kamburjan и другие представили на IJCAI-ECAI 2026 статью «GEV: Statically Correct and Programmable Knowledge Graph Updates», которая решает проблему обеспечения типовой безопасности операций обновления графов знаний на этапе компиляции. GEV внедряет в управление графами знаний идею статической проверки типов из языков программирования — это позволяет проверять корректность операций до их выполнения, сохраняя при этом возможность описания сложных логик обновления.
Создана группа для участников IJCAI 2026 — в ней можно получать информацию о дедлайнах подачи материалов, нормах оформления, ходе рецензирования, общаться с коллегами, узнавать о последних исследованиях и получать помощь во время конференции (навигация по месту проведения, обсуждение сессий и keynote, материалы по постерам и др.). Чтобы вступить в группу, нужно отсканировать QR‑код или добавить в контакты WeChat Qvv0909777, указав в примечании: IJCAI + учреждение/вуз + ФИО + направление.
Подписаться в Макс
