MMSep, 2013

谓词逻辑作为建模语言：采用 IDP3 进行机器学习和数据挖掘问题的建模与解决

PDF
TL;DR该论文提供了使用 IDP3 系统解决问题的简要介绍，介绍了 IDP3 的核心部分 - 有限模型生成器，它支持第一阶逻辑，以及丰富了类型，归纳定义，聚合和部分函数。除了小的例子，文章举了三个应用实例，分别涉及 philology、生物学和学习最小化自动机。
idp3 systemfinite model generatordeclarative modelingconstraint solvingphilology
发现论文，激发创造
  • 谓词逻辑作为建模语言：IDP 系统

    介绍了基于纯逻辑物理模型语言的扩展的逻辑编程形式，其中的复杂定义是作为规则集的表示，并且通过多种形式的推理来解决不同的计算问题。

    Jan, 2014

  • 否定和谓词创造中的泛化

    该研究介绍一种归纳逻辑编程方法，结合否定和谓词发明，以应对从少量例子中推广的挑战，在多个领域的试验结果表明，该方法改善了预测精度和学习时间。

    Jan, 2023

  • 基于约束的多任务学习

    本研究通过引入多任务学习、约束保持和课程学习等技术改进了 Popper ILP 系统，实验结果表明这些优化手段对于提高系统性能和推广基于逻辑程序的机器学习应用具有重要意义。

    Aug, 2022

  • 使用线性时间微积分理论模拟动态系统

    本文研究在一个规范上执行广泛的推断任务的可行性，通过将 IDP3 扩展到与动态规范相关的领域中使用的多种推断技术。

    May, 2014

  • 归纳逻辑编程 30 年：新介绍

    介绍了归纳逻辑编程 (ILP) 的基本概念、学习模式、框架和几个主要系统 (Aleph，TILDE，ASPAL，和 Metagol)，并概括了应用、限制和研究方向。

    Aug, 2020

  • 使用 IDPD3 可视化交互推断

    介绍了 IDPD3 库，作为一种 visualisations 工具， 用于知识库系统中逻辑理论和交互式模拟的可视化和解释。

    Nov, 2015

  • 从失败中学习的谓词创新

    本文介绍了一种基于答案集编程的归纳逻辑编程系统――POPPl，用于解决谓词发明问题，实验证明谓词发明可以显著提高学习性能，POPPI 相对于其他归纳逻辑编程系统具有优越性能。

    Apr, 2021

  • 为声明式编程降低学习曲线：IDP 系统的 Python API

    本文提出了一种 API，将 IDP 知识库系统集成到 Python 编程语言中，旨在让 Python 程序员能够使用 IDP 的声明性功能，而无需学习任何新的语法或语义，并实现最小代码的修改使 IDP 能够轻松添加到 / 从现有代码库中删除

    Nov, 2015

  • 归纳逻辑编程：30 年回顾

    归纳逻辑编程是基于逻辑的机器学习的一种形式，目的是归纳出一种假设（逻辑程序），该假设概括给定的训练示例。作为归纳逻辑编程的三十年，我们回顾了过去十年的研究，我们关注新的元级别搜索方法、学习递归程序的技术，以及谓词发明的新方法和不同技术的使用，并探讨了归纳逻辑编程的当前限制和未来研究方向。

    Feb, 2021

  • 从失败中学习的学习计划

    该研究介绍了一种基于归纳逻辑编程的学习模型，通过生成、测试和约束三个阶段，不断迭代优化假设（逻辑程序），提高学习性能，其中 Popper 系统在多个领域的实验中表现突出。

    May, 2020