Jun, 2017

通过修剪和尽最大努力优化提高归纳逻辑编程的可扩展性

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 归纳逻辑编程的新思路：三十岁的转变

    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

  • 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

  • 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

  • 神经逻辑归纳学习：高效解释技能的学习

    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

  • 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

  • 学习解释以扩展归纳逻辑编程

    本文采用学习解释框架为归纳逻辑编程算法进行扩展，以提高其表达能力并保持其效率，旨在比较归纳逻辑编程与属性 - 值学习技术之间的权衡，研究数据集的规模问题，并进一步扩展了命题学习的表达能力。所涉及的两种 ILP 系统 Tilde-classic 和 Tilde-LDS 的实验结果表明，Tilde-LDS 能够处理大规模数据集并且具有线性可扩展性。

    Nov, 2000

  • 通过合并程序学习程序

    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

  • 通过发现无需搜索的地方来学习逻辑程序

    通过发现假设约束来提高学习效率和可扩展性，我们提出了基于约束驱动的规约归纳逻辑编程系统，对多个领域进行了实验，证明其可以显著缩短学习时间并扩展到具有数百万事实的领域。

    Feb, 2022