MMAug, 2016

基于上下文相关例子的答案集程序迭代学习

PDF
TL;DR本文提出了一种基于上下文的 Inductive Logic Programming (归纳逻辑编程) 扩展方法，通过结构化背景知识建模上下文依赖，进一步提出了一种新的算法 ILASP2i，应用于具有大量例子的学习任务，与传统方法 ILASP2 相比，同时保持平均正确率的情况下，速度提高了两个数量级，内存使用量减小了两个数量级，从而极大地提高了系统的可扩展性。
inductive logic programminganswer set programmingcontext-dependent extensionilasp2iscalability
发现论文，激发创造
  • 归纳学习 Answer Set 程序的 ILASP 系统

    该研究论文介绍了归纳逻辑程序设计的目标，提出了一种新的程序学习方法，能够更广泛地适用于偏爱学习，包括默认和异常情况的通识知识，并学习非确定性理论。同时，论文还总结了程序的演变历程，特别强调了可伸缩性。

    May, 2020

  • 学习 Answer Set Programming 中的弱约束

    本文提出了一种新的学习框架，“从有序答案集学习”，它允许在答案集编程（ASP）中学习弱约束条件，它是在归纳逻辑编程领域的一项贡献，我们提出了一种新的算法 ILASP2，它基于正常规则、选择规则、硬约束和弱约束等假设，能够有效地学习 ASP 程序，尤其是在学习 ASP 没有弱约束条件的程序时，相对于之前的方法能够更加高效。

    Jul, 2015

  • 从嘈杂例子中归纳学习答案集程序

    本文提出了一种噪声容忍的 ILASP3 系统，并在合成和现实数据集上评估该系统的性能，包括学习从答案集语义中的常识知识以及将其推广到更复杂的数据集、与不同框架的模型进行比较等。

    Aug, 2018

  • 基于冲突推导的归纳逻辑编程

    这篇论文介绍了基于冲突驱动的归纳逻辑编程方法， 主要使用 Answer Set Programs（ASP）进行学习， 以提高可扩展性，并提出了可以处理噪声数据集的 ILASP3 和 ILASP4 系统。

    Dec, 2020

  • 基于归纳学习的 ASP 领域特定启发式策略生成

    该研究论文介绍了一种自动学习领域特定启发式的新方法，利用归纳逻辑编程从例子中学习声明性的领域特定启发式，从而提高问题求解的性能和解决方案质量。

    Aug, 2023

  • 一种多引擎的答案集编程方法

    本文提出了一种在现有 ASP 求解器基础之上通过应用机器学习方法，通过识别 ASP 程序的一组易于计算的句法特征，并对这些实例上的性能表现进行归纳学习算法选择策略，从而能够比第三届 ASP 竞赛的任何求解器都更有效地解决实例。

    Jun, 2013

  • 可解释的答案集编程

    人工智能的可解释性越来越受到关注，本研究试图填补 Answer-set Programming 中的解释支持的空白，并通过扩展语言支持和开发新的解释形式（如对比解释）来推进可解释 ASP 的研究。

    Aug, 2023

  • 非基础规则在答案集编程中的威力

    该论文提出了一种新的 ASP 编码模式，通过利用实际问题的大规则来编码难题，尤其针对 NP 问题能提供更强的表达能力，并且提供基于规则分解技术的解决方案，初步的基准测试表明，放弃固定程序的简便方式可以显著提高速度。

    Aug, 2016

  • 将 Answer Set Programming 和领域启发式算法结合，解决难解的工业问题（应用论文）

    本文研究将 Answer Set Programming（ASP）与领域特定的启发式方法相结合，以有效地解决 Siemens 提出的 Partner Units Problem（PUP）和 Combined Configuration Problem（CCP），实验证明，我们的领域启发式 ASP 求解器可以找到 Siemens 所提供的所有 PUP 和 CCP 实例的解决方案。

    Aug, 2016

  • 基于细粒度成本的假设生成的最佳尽力归纳逻辑编程

    本文描述了基于 Answer-Set Programming 的 Inspire 系统，着重介绍了其利用 ASP 编码进行假设空间生成和利用费用参数进行规则搜索的方法，通过与其他机器学习方法进行对比，结果表明假设搜索空间的成本参数对结果有重要影响。

    Jul, 2017