从嘈杂例子中归纳学习答案集程序
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
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。
Aug, 2016
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
提出了一种松弛学习法并引入新的 Noisy Popper ILP 系统用于实现,该系统基于 Inductive Logic Programming(ILP)理论,利用松弛策略生成约束条件以避免包含噪声的数据影响回归结果,并在实验中证实,相较于 Popper 系统,Noisy Popper 在噪声数据处理能力上有所提升,但运行效率略有下降。
Dec, 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
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
本文介绍 Differentiable Inductive Logic 框架,结合了 Inductive Logic Programming 和神经网络,非常高效地训练模型。该框架不仅支持传统 ILP 系统擅长的任务,而且对于噪声和训练数据中的错误表现出高鲁棒性。此外,它还可以与神经网络相连接以处理模糊非符号域的数据,同时提供超越单独使用神经网络所能达到的数据效率和泛化能力。
Nov, 2017
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
该论文提出了一种可微分实现的逻辑程序学习框架,包括自适应子句搜索、基本命题枚举算法和柔和的程序合成方法,能够学习噪声和结构化的例子,试验表明该框架可以适应复杂的多子句程序。
Mar, 2021
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