通过分割、限制和征服学习逻辑程序
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
归纳逻辑编程中的一个主要挑战是学习大规则,我们提出了一种方法,通过连接小规则来学习大规则,在约束驱动系统中实施我们的方法,并使用约束求解器高效地连接规则,我们在许多领域进行的实验证明我们的方法可以学习到超过 100 个文字的规则,并且在预测准确性方面明显优于现有方法。
Jan, 2024
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
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
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
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
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
利用最小描述长度程序从噪声数据中学习,包括递归程序,在多个领域(包括药物设计、游戏玩耍和程序合成)的实验表明,我们的方法在预测准确性上可以超出现有方法并适应适度的噪声量。
Aug, 2023
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