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
- 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) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - How could Neural Networks understand Programs? [67.4217527949013]
ソースコードにnlpプリトレーニング技術を直接適用するか、あるいはtheshelfによってモデルに機能を追加するかで、プログラムをより理解するためのモデルを構築するのは難しい。
本研究では,(1)操作セマンティクスの基本操作とよく一致する表現と(2)環境遷移の情報からなる情報から,モデルが学ぶべき新しいプログラムセマンティクス学習パラダイムを提案する。
論文 参考訳(メタデータ) (2021-05-10T12:21:42Z) - 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) - Turning 30: New Ideas in Inductive Logic Programming [18.581514902689346]
帰納論理プログラミングは、データから論理プログラムを誘導する機械学習の一種である。
少数の事例から一般化したプログラムの学習方法に焦点をあてる。
また、帰納論理プログラミングにおける今後の研究の方向性についても論じる。
論文 参考訳(メタデータ) (2020-02-25T16:23:11Z)
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。