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
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
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
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
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
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
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
该论文提出了一个通用框架,将在任务函数集合中以逻辑约束的形式的先验知识集成到核机器中,以及背景环境的部分表示,利用这些知识和监督示例中的信息与学习算法一起操作。
Feb, 2024
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
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