論文の概要: The ILASP system for Inductive Learning of Answer Set Programs

• arxiv url: http://arxiv.org/abs/2005.00904v1
• Date: Sat, 2 May 2020 19:04:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 11:57:21.224237
• Title: The ILASP system for Inductive Learning of Answer Set Programs
• Title（参考訳）: 応答集合プログラムの帰納的学習のためのilaspシステム
• Authors: Mark Law, Alessandra Russo, Krysia Broda
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 79.41112438865386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of Inductive Logic Programming (ILP) is to learn a program that explains a set of examples in the context of some pre-existing background knowledge. Until recently, most research on ILP targeted learning Prolog programs. Our own ILASP system instead learns Answer Set Programs, including normal rules, choice rules and hard and weak constraints. Learning such expressive programs widens the applicability of ILP considerably; for example, enabling preference learning, learning common-sense knowledge, including defaults and exceptions, and learning non-deterministic theories. In this paper, we first give a general overview of ILASP's learning framework and its capabilities. This is followed by a comprehensive summary of the evolution of the ILASP system, presenting the strengths and weaknesses of each version, with a particular emphasis on scalability.
• Abstract（参考訳）: Inductive Logic Programming (ILP)の目標は、既存のバックグラウンド知識のコンテキストにおけるサンプルのセットを説明するプログラムを学習することである。 近年まで、ICPがターゲットとするPrologプログラムの研究がほとんどである。 私たちのILASPシステムは代わりに、通常のルール、選択ルール、厳しい制約を含むAnswer Set Programsを学びます。 例えば、選好学習を可能にし、デフォルトや例外を含む常識的な知識を学習し、非決定論的理論を学習することである。 本稿ではまず,ilaspの学習フレームワークとその機能の概要について述べる。 続いてilaspシステムの進化に関する包括的な概要が述べられ、スケーラビリティに特に重点を置いた各バージョンの長所と短所が紹介された。

関連論文リスト

• Large Language Models are Interpretable Learners [53.56735770834617]
  本稿では,Large Language Models(LLM)とシンボルプログラムの組み合わせによって,表現性と解釈可能性のギャップを埋めることができることを示す。 自然言語プロンプトを持つ事前訓練されたLLMは、生の入力を自然言語の概念に変換することができる解釈可能な膨大なモジュールセットを提供する。 LSPが学んだ知識は自然言語の記述と記号規則の組み合わせであり、人間(解釈可能)や他のLLMに容易に転送できる。
  論文  参考訳（メタデータ） (2024-06-25T02:18:15Z)
• A Knowledge-Injected Curriculum Pretraining Framework for Question Answering [70.13026036388794]
  本稿では,知識に基づく質問応答タスクの総合的なKG学習と活用を実現するための一般知識注入型カリキュラム事前学習フレームワーク(KICP)を提案する。 KIモジュールはまずKG中心の事前学習コーパスを生成してLMに知識を注入し、プロセスを3つの重要なステップに一般化する。 KAモジュールは、アダプタを備えたLMで生成されたコーパスから知識を学習し、元の自然言語理解能力を維持できる。 CRモジュールは人間の推論パターンに従って3つのコーパスを構築する。
  論文  参考訳（メタデータ） (2024-03-11T03:42:03Z)
• Enabling Large Language Models to Learn from Rules [99.16680531261987]
  私たちは、人間がルールから学習することで、新しいタスクや知識を別の方法で学習できることにインスピレーションを受けています。 まず, LLMの強い文脈内能力を用いて, テキスト規則から知識を抽出する規則蒸留法を提案する。 実験の結果, LLMをルールから学習させることは, サンプルサイズと一般化能力の両方において, サンプルベース学習よりもはるかに効率的であることがわかった。
  論文  参考訳（メタデータ） (2023-11-15T11:42:41Z)
• Hierarchical Programmatic Reinforcement Learning via Learning to Compose Programs [58.94569213396991]
  プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。 提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。 Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-30T14:50:46Z)
• Generalisation Through Negation and Predicate Invention [25.944127431156627]
  我々は、否定と述語的発明を組み合わせた帰納論理プログラミング(ILP)アプローチを導入する。 我々は,通常の論理プログラムを述語的発明で学習できるNOPIで実装する。 複数の領域に対する実験結果から,本手法は予測精度と学習時間を向上できることが示された。
  論文  参考訳（メタデータ） (2023-01-18T16:12:27Z)
• LISA: Learning Interpretable Skill Abstractions from Language [85.20587800593293]
  言語条件による実演から多種多様な解釈可能なスキルを学習できる階層型模倣学習フレームワークを提案する。 本手法は, 逐次的意思決定問題において, 言語に対するより自然な条件付け方法を示す。
  論文  参考訳（メタデータ） (2022-02-28T19:43:24Z)
• Learning to Synthesize Programs as Interpretable and Generalizable Policies [25.258598215642067]
  本稿では,プログラムの合成を学習するフレームワークについて述べる。 実験の結果,提案フレームワークは,タスク解決プログラムを確実に合成するだけでなく,DRLやプログラム合成ベースラインよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-08-31T07:03:06Z)
• Conflict-driven Inductive Logic Programming [3.29505746524162]
  帰納的論理プログラミング(ILP)の目標は、一連の例を説明するプログラムを学ぶことである。 近年まで、ICPがターゲットとするPrologプログラムの研究がほとんどである。 ILASP システムは代わりに Answer Set Programs (ASP) を学ぶ
  論文  参考訳（メタデータ） (2020-12-31T20:24:28Z)
• Incorporating Relational Background Knowledge into Reinforcement Learning via Differentiable Inductive Logic Programming [8.122270502556374]
  微分帰納的論理プログラミング(ILP)に基づく新しい深層強化学習(RRL)を提案する。 本稿では,BoxWorld,GridWorldなどの環境と,Solt-of-CLEVRデータセットのリレーショナル推論を用いた新しいRRLフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2020-03-23T16:56:11Z)

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。