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
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
本文提出了一种新的归纳逻辑编程(ILP)系统Brute,利用基于示例的损失函数来引导搜索,该方法可以帮助Brute在机器人规划、字符串转换、ASCII艺术等不同的程序综合领域中显著优于现有的ILP系统,学习程序的大小也比现有的最先进系统增加了20倍。
Apr, 2020
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
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
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
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
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
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