May, 2020

从失败中学习的学习计划

PDF
TL;DR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。
inductive logic programminglearning from failureshypothesis generationconstraint learningpopper system
发现论文，激发创造
  • 从噪声故障中学习逻辑程序

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 从失败中学习的谓词创新

    本文介绍了一种基于答案集编程的归纳逻辑编程系统――POPPl，用于解决谓词发明问题，实验证明谓词发明可以显著提高学习性能，POPPI 相对于其他归纳逻辑编程系统具有优越性能。

    Apr, 2021

  • 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