无元解释学习的高阶程序学习

IJCAIDec, 2021

Learning Higher-Order Programs without Meta-Interpretive Learning

Stanisław J. Purgał, David M. Cerna, Cezary Kaliszyk

TL;DR通过引入 Higher-order definitions 的扩展 Learning From Failures 方法，可以提高归纳逻辑编程（ILP）系统的学习性能和准确性，并且无需人类指导，其理论框架可以保持现有基于子消去方法的 Soundness。

Abstract

Learning complex programs through inductive logic programming (ILP) remains a formidable challenge. Existing higher-order enabled ILP systems show improved accuracy and learning performance, though remain hampere

inductive logic programming higher-order definitions learning performance learning from failures subsumption-based pruning

发现论文，激发创造

元学习的神经程序偏差

通过神经程序化偏差元学习（NPBML）的提出，我们可以通过元学习的过程来赋予神经网络特定的程序化偏差，以实现对分布式学习任务的高性能表现。

Jun, 2024

基于对比度的图谱自监督学习中光谱提示是否重要？

对对比度图自我监督学习中光谱信息的贡献进行讨论，发现基于光谱特征的增强方法在学习性能上表现优异，但基于边缘摄动的简单策略在性能方面更出色，且资源消耗更低。这些结论为图像自我监督学习领域带来了重要进展，可能改变对图像自我监督学习的理解和应用。

May, 2024

用于无模型强化学习的多状态 TD 目标

提出了一种基于增强的多状态 TD 目标的完整的演员 - 评论家算法，该算法将回放缓冲区管理与深度确定性策略优化和软演员评论家相结合，实验结果表明采用 MSTD 目标的算法相比传统方法显著提高了学习性能。

May, 2024

探索航拍人体检测的合成数据影响

本文研究了航拍人体检测中利用合成数据来训练的方法，通过探讨实际数据、合成数据和数据池选择对合成数据的质量影响以及利用合成数据提高学习性能和域泛化能力的效果，发现了几个重要的发现，为未来研究提供了更合理的使用合成数据的方向。

May, 2024

使用归纳逻辑编程进行的程序合成与抽象推理语料库

提出一种使用归纳逻辑编程的程序合成系统来解决抽象与推理语料库（ARC）的方法。通过定义一个与 ARC 相关的领域特定语言（DSL）和逻辑程序，该系统能够通过少量示例任务进行泛化和推理，从而解决需要不同推理方法的 ARC 中的任务。

May, 2024

一种用于联邦学习的逐元素权重聚合方法

该研究介绍了一种基于元素权重聚合的联邦学习方法（EWWA-FL），旨在优化学习性能和加速收敛速度。通过将本地权重聚合到全局模型的个别元素级别，该方法允许每个参与的客户端对学习过程进行元素级贡献，从而提高了全局模型对不同数据集的鲁棒性以及实现了快速收敛。该方法具有灵活性，可以采用各种加权策略，通过全面的实验证明了 EWWA-FL 的先进性，展示了在各种骨干和基准测试中精确度和收敛速度的显著改进。

Apr, 2024

基于 1 位梯度编码的分布式学习在滞后者存在下的应用

本文研究了分布式学习在存在迟滞节点的情况下的问题，提出了一种基于 1-bit 梯度编码的新的分布式学习方法，通过降低通信开销，在相同的通信开销下获得更好的学习性能。

Mar, 2024

图神经网络的层间多样负采样

图神经网络中的负采样方法通过采样矩阵和空间压缩技术改善了负样本的多样性，从而提升了学习性能。

Mar, 2024

基于大型语言模型的学习表现预测：一个成年识字能力的研究

应用大型语言模型，如 GPT-4，预测智能辅导系统中成人识字课程的学习表现。研究表明，GPT-4 与传统机器学习方法在预测学习表现方面具有竞争力，而 GPT-4 与 XGBoost 的结合在性能上优于本地机器执行。此外，研究发现 GPT-4 与网格搜索相比具有可比性表现，并且将大型语言模型与传统机器学习模型整合可提高预测准确性，个性化成人识字教育。

Mar, 2024

POMDP 中的策略指导的逻辑规范学习：归纳逻辑编程方法

从 POMDP 执行的痕迹中学习得到高质量的启发式方法，通过转换为逻辑语义并利用数据和时间高效的归纳逻辑编程生成可解释的基于信念的策略规范，以在线方式引导 POMDP 求解器的行动选择过程。使用 Answer Set Programming (ASP) 表达的学习启发式方法展现了性能优于神经网络且与最佳手工设计的任务特定启发式方法相当的特点。

Feb, 2024