論文の概要: Learning large logic programs by going beyond entailment

• arxiv url: http://arxiv.org/abs/2004.09855v2
• Date: Wed, 22 Apr 2020 09:11:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 06:05:00.037160
• Title: Learning large logic programs by going beyond entailment
• Title（参考訳）: 補足を超えて大きな論理プログラムを学ぶ
• Authors: Andrew Cropper and Sebastijan Duman\v{c}i\'c
• Abstract要約: プログラムをインクリメンタルに構築するために、サンプル依存の損失関数によって誘導される最良優先探索を利用する新しいILPシステムであるBruteで、我々のアイデアを実装した。 実験の結果,Bruteは予測精度と学習時間で既存のILPシステムを大幅に上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 18.27510863075184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A major challenge in inductive logic programming (ILP) is learning large programs. We argue that a key limitation of existing systems is that they use entailment to guide the hypothesis search. This approach is limited because entailment is a binary decision: a hypothesis either entails an example or does not, and there is no intermediate position. To address this limitation, we go beyond entailment and use \emph{example-dependent} loss functions to guide the search, where a hypothesis can partially cover an example. We implement our idea in Brute, a new ILP system which uses best-first search, guided by an example-dependent loss function, to incrementally build programs. Our experiments on three diverse program synthesis domains (robot planning, string transformations, and ASCII art), show that Brute can substantially outperform existing ILP systems, both in terms of predictive accuracies and learning times, and can learn programs 20 times larger than state-of-the-art systems.
• Abstract（参考訳）: 帰納論理プログラミング(ILP)における大きな課題は、大規模プログラムの学習である。 既存のシステムの鍵となる制限は、仮説探索を導くのに補足を用いることである。 仮説は例を含むか、そうでないかのどちらかであり、中間的な位置が存在しないため、このアプローチは限定される。 この制限に対処するために、我々はentailment を超えて \emph{example-dependent} 損失関数を使用して探索をガイドし、仮説が部分的に例をカバーできる。 サンプル依存の損失関数に導かれるベストファースト検索を用いて,プログラムを漸進的に構築する新しいilpシステムであるbruteに,このアイデアを実装した。 3つのプログラム合成領域(ロボット計画、文字列変換、ASCII技術)に関する実験により、Bruteは予測精度と学習時間の両方で既存のILPシステムを大幅に上回り、最先端のシステムより20倍大きいプログラムを学習できることを示した。

関連論文リスト

• Learning logic programs by finding minimal unsatisfiable subprograms [24.31242130341093]
  最小不満足なサブプログラム (MUSP) を識別する ILP アプローチを導入する。 プログラム合成やゲームプレイなど,複数の領域での実験を行った結果,学習時間を99%短縮できることがわかった。
  論文  参考訳（メタデータ） (2024-01-29T18:24:16Z)
• A Divide-Align-Conquer Strategy for Program Synthesis [8.595181704811889]
  本稿では,大規模プログラムの探索を複数の小さなプログラム合成問題に分割する例によって,構成セグメント化がプログラミングに応用可能であることを示す。 入力と出力における構成部品の構造的アライメントは、プログラム探索を導くのに使用されるペアワイズ対応に繋がる。
  論文  参考訳（メタデータ） (2023-01-08T19:10:55Z)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)
• Fault-Aware Neural Code Rankers [64.41888054066861]
  サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。 我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-06-04T22:01:05Z)
• Learning logic programs by combining programs [24.31242130341093]
  我々は、小さな非分離型プログラムを学習し、それらを組み合わせるアプローチを導入する。 我々は制約駆動型LPシステムにアプローチを実装した。 ゲームプレイやプログラム合成など,複数の領域に対する実験により,既存のアプローチを劇的に上回る結果が得られた。
  論文  参考訳（メタデータ） (2022-06-01T10:07:37Z)
• Learning logic programs by discovering where not to search [18.27510863075184]
  仮説を探す前に、まず検索しない場所を見つけるアプローチを導入する」。 我々は与えられたBKを用いて、数が偶数と奇数の両方で成り立たないような仮説上の制約を発見する。 複数のドメインに対する実験により,本手法は学習時間を著しく短縮できることが示された。
  論文  参考訳（メタデータ） (2022-02-20T12:32:03Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• EXPLAINABOARD: An Explainable Leaderboard for NLP [69.59340280972167]
  ExplainaBoardはNLP評価の新たな概念化と実装である。 研究者は(i)一つのシステムの強みと弱さを診断し、(ii)複数のシステム間の関係を解釈することができる。
  論文  参考訳（メタデータ） (2021-04-13T17:45:50Z)
• Inductive logic programming at 30: a new introduction [18.27510863075184]
  帰納論理プログラミング(英: Inductive logic programming、ILP)は、機械学習の一種である。 本稿では,必要な論理的表記法と主学習設定を紹介する。 また、ILPシステムの構築ブロックを記述し、複数のシステムを比較した。
  論文  参考訳（メタデータ） (2020-08-18T13:09:25Z)
• BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
  プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。 特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。 単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
  論文  参考訳（メタデータ） (2020-07-28T17:46:18Z)
• The ILASP system for Inductive Learning of Answer Set Programs [79.41112438865386]
  我々のシステムは、通常の規則、選択規則、厳しい制約を含むアンサーセットプログラムを学習する。 まず、ILASPの学習フレームワークとその機能の概要を説明します。 続いて、ILASPシステムの進化を概観する。
  論文  参考訳（メタデータ） (2020-05-02T19:04:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。