从噪声故障中学习逻辑程序

Dec, 2021

Learning Logic Programs From Noisy Failures

John Wahlig

TL;DR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。

Abstract

inductive logic programming (ILP) is a form of machine learning (ML) which in contrast to many other state of the art ML methods typically produces highly interpretable and reusable models. However, many ILP syst

inductive logic programming machine learning noise handling relaxed learning noisy popper

发现论文，激发创造

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

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

归纳逻辑编程的新思路：三十岁的转变

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

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

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

从嘈杂例子中归纳学习答案集程序

本文提出了一种噪声容忍的 ILASP3 系统，并在合成和现实数据集上评估该系统的性能，包括学习从答案集语义中的常识知识以及将其推广到更复杂的数据集、与不同框架的模型进行比较等。

Aug, 2018

深层归纳逻辑编程与强化学习相遇

我们提出了一种将可区分的神经逻辑网络应用于关系强化学习领域，以解决动态连续环境中的问题。该模型更新了架构，使其能够在连续强化学习环境中解决问题，并通过引入非线性连续谓词来改进当前的归纳逻辑编程方法，允许关系强化学习代理在动态和连续的环境中进行推理和决策。

Aug, 2023

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

通过修剪和尽最大努力优化提高归纳逻辑编程的可扩展性

本文介绍了 Inductive Logic Programming (ILP) 技术，探讨了基于 Answer Set Programming 的 XHAIL 算法扩展，研究表明这种方法在自然语言处理的词块切分任务上达到了类似于现有最先进算法的效果。

Jun, 2017

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