归纳逻辑编程实现事件定义的渐进学习
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
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
本文探讨了归纳逻辑编程在机器学习中的应用,这种方法通过从数据中归纳逻辑程序来解决机器学习中普遍存在的泛化性不佳、可解释性不足和需要大量训练数据等问题,重点介绍了从少量样例中推广递归程序的新方法,学习背景知识的新方法以及使用不同技术,特别是应答器编程和神经网络。
Feb, 2020
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
利用约束驱动的归纳逻辑编程系统,通过组合一组小的、不可分离的程序来学习递归程序,并且实现谓词发明,在游戏玩法和程序合成等多个领域的实验表明,该方法在预测准确率和学习时间上明显优于现有方法,有时将学习时间从一小时以上缩短到几秒钟。
Jun, 2022
我们提出了一种将可区分的神经逻辑网络应用于关系强化学习领域,以解决动态连续环境中的问题。该模型更新了架构,使其能够在连续强化学习环境中解决问题,并通过引入非线性连续谓词来改进当前的归纳逻辑编程方法,允许关系强化学习代理在动态和连续的环境中进行推理和决策。
Aug, 2023
本文介绍了 Inductive Logic Programming (ILP) 技术,探讨了基于 Answer Set Programming 的 XHAIL 算法扩展,研究表明这种方法在自然语言处理的词块切分任务上达到了类似于现有最先进算法的效果。
Jun, 2017
本研究提出了一种名为 “神经逻辑归纳学习” 的可微分归纳逻辑编程框架,通过学习可以解释数据模式的一阶逻辑规则,与现有的方法相比,具有更高的效率和可扩展性。
Oct, 2019