否定和谓词创造中的泛化
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
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
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
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
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
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
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
本文提出了一种通过深度递归神经网络解决归纳逻辑编程问题的新模式,其中解决方案基于可微分的向前链推论的实现,在分类任务中得出了较好的性能表现,支持递归和谓词创造等理想特性。
Jun, 2019