Jul, 2019

元规则的逻辑简化

PDF
TL;DR本文研究了归纳逻辑程序（ILP）的元规则，探讨了将元规则的片段逻辑约简到最小有限子集的可行性以及利用 SLD 解析技术来进行约简的新方法，并在三个不同领域的实验中发现，基于 SLD 约简的元规则相较于 Subsumption 和 Entailment 约简具有更好的预测准确性和学习时间。
发现论文，激发创造
  • 神经符号层次规则归纳

    提出一种高效、可解释的神经符号模型来解决归纳逻辑编程问题，并通过实验验证其性能。

    Dec, 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

  • 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

  • SMT + ILP

    本文针对归纳逻辑程序设计的局限性，结合模块化理论技术，从前景知识和连续实例角度出发，探讨声明式编程的新思路。

    Jan, 2020

  • 学习高阶逻辑程序

    介绍了一种支持学习高阶程序的元解释学习技术，实验结果表明，与学习一阶程序相比，学习高阶程序可以显着提高预测准确性并降低学习时间。

    Jul, 2019

  • 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

  • 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

  • 通过寻找最小的不可满足子程序学习逻辑程序

    归纳逻辑编程的目标是搜索能够泛化训练示例和背景知识的逻辑程序。我们介绍了一种识别最小不可满足子程序的归纳逻辑编程方法，表明寻找最小不可满足子程序能够有效且正确地修剪搜索空间。我们在多个领域（包括程序合成和游戏对战）上进行的实验表明，我们的方法能够将学习时间缩短 99%。

    Jan, 2024

  • 否定和谓词创造中的泛化

    该研究介绍一种归纳逻辑编程方法，结合否定和谓词发明，以应对从少量例子中推广的挑战，在多个领域的试验结果表明，该方法改善了预测精度和学习时间。

    Jan, 2023

  • 超越蕴涵关系的学习大型逻辑程序

    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