Aug, 2023

基于归纳逻辑编程的一次性学习用于文本分类的研究

PDF
TL;DR通过研究推断逻辑编程方法以及利用概念网络中提取的常识背景知识，本文探讨了一种一次性文本分类的机器学习技术，结果表明可以通过少量训练样例来学习文本分类规则，并且选择的样例复杂度越高，结果的准确性越高。
发现论文，激发创造
  • 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

  • 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

  • 神经逻辑归纳学习：高效解释技能的学习

    本研究提出了一种名为 “神经逻辑归纳学习” 的可微分归纳逻辑编程框架，通过学习可以解释数据模式的一阶逻辑规则，与现有的方法相比，具有更高的效率和可扩展性。

    Oct, 2019

  • 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

  • 学习高阶逻辑程序

    介绍了一种支持学习高阶程序的元解释学习技术，实验结果表明，与学习一阶程序相比，学习高阶程序可以显着提高预测准确性并降低学习时间。

    Jul, 2019

  • 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

  • 少样本文本分类的归纳网络

    本文提出了一种基于归纳网络的元学习算法来实现少样本文本分类任务中的类别泛化，通过将动态路由算法与元学习相结合，学习出每个类别的泛化表示，并将其与新的查询样本进行比较，在英文情感分类和中文对话意图分类任务中验部，所获得的实验结果显示，该模型在泛化类别的表现上显著优于现有的最先进的方法。

    Feb, 2019

  • 归纳逻辑编程实现事件定义的渐进学习

    利用归纳逻辑编程（ILP）技术和事件演算程序，基于归纳推理和反演推理的学习算法来实现事件识别系统中的事件定义的自动化。

    Feb, 2014

  • MLIC: 一种基于 MaxSAT 的学习可解释分类规则的框架

    该论文介绍了一个名为 MLIC 的 MaxSAT 框架，用于搜索适用于命题逻辑的可解释分类规则，并演示了它在解决包含数万个示例和数千个特征的大型分类问题方面的有效性和可调节的准确性与可解释性之间的平衡。

    Dec, 2018

  • 基于 SVM 模型的白盒归纳：通过逻辑编程实现可解释的 AI

    本文研究如何使用 SHAP 等解释 AI 工具代替固定的假设搜索空间来进行归纳逻辑程序的学习，通过替换数据依赖的山地爬行搜索法以获得更精确和全面的 SVM 模型，从而生成比 FOIL 算法更好的分类结果和逻辑程序，为机器学习领域的算法研究和应用提供了新的思路。

    Aug, 2020