論文の概要: Learning Logic Programs by Explaining Failures

• arxiv url: http://arxiv.org/abs/2102.12551v1
• Date: Thu, 18 Feb 2021 14:32:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:43:51.462857
• Title: Learning Logic Programs by Explaining Failures
• Title（参考訳）: 失敗を説明することで論理プログラムを学ぶ
• Authors: Rolf Morel, Andrew Cropper
• Abstract要約: 帰納論理プログラミング(ilp)における同様の説明手法を紹介する。 Popper ILPシステムの障害説明を実験的に評価する。 その結果,失敗を説明することで学習時間を劇的に短縮できることがわかった。
• 参考スコア（独自算出の注目度）: 24.671396651514982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientists form hypotheses and experimentally test them. If a hypothesis fails (is refuted), scientists try to explain the failure to eliminate other hypotheses. We introduce similar explanation techniques for inductive logic programming (ILP). We build on the ILP approach learning from failures. Given a hypothesis represented as a logic program, we test it on examples. If a hypothesis fails, we identify clauses and literals responsible for the failure. By explaining failures, we can eliminate other hypotheses that will provably fail. We introduce a technique for failure explanation based on analysing SLD-trees. We experimentally evaluate failure explanation in the Popper ILP system. Our results show that explaining failures can drastically reduce learning times.
• Abstract（参考訳）: 科学者は仮説を作り、実験的にテストする。 仮説が失敗(否定)した場合、科学者は、他の仮説を取り除こうとする失敗を説明する。 帰納論理プログラミング (ilp) にも同様の説明手法を導入する。 私たちは失敗から学ぶILPアプローチに基づいています。 論理プログラムとして表される仮説が与えられたら、実例で試す。 仮説が失敗すれば、失敗の原因となる節やリテラルを特定する。 失敗を説明することで、確実に失敗する他の仮説を排除できます。 本研究では,SLD木解析に基づく故障解析手法を提案する。 我々はpopper ilpシステムにおける障害説明を実験的に評価した。 その結果,失敗を説明することで学習時間を劇的に短縮できることがわかった。

関連論文リスト

• A Closer Look at the Self-Verification Abilities of Large Language Models in Logical Reasoning [73.77088902676306]
  論理的推論の文脈において,大規模言語モデル(LLM)の自己検証能力について詳しく検討する。 本研究の主目的は,既存のLCMが誤った推論手順を正確に識別するのに苦労し,自己検証法の有効性を保証できないことにある。
  論文  参考訳（メタデータ） (2023-11-14T07:13:10Z)
• On the Paradox of Learning to Reason from Data [86.13662838603761]
  BERTは,同じ問題空間上での他のデータ分布への一般化に失敗しながら,分布内テスト例に対してほぼ完全な精度が得られることを示す。 このパラドックスは、正しい推論関数をエミュレートする学習ではなく、論理的推論問題に本質的に存在する統計的特徴を実際に学習している。
  論文  参考訳（メタデータ） (2022-05-23T17:56:48Z)
• Visual Abductive Reasoning [85.17040703205608]
  帰納的推論は、部分的な観察の可能な限りの可能な説明を求める。 本稿では,日常的な視覚的状況下でのマシンインテリジェンスの帰納的推論能力を調べるために,新たなタスクとデータセットであるVisual Abductive Reasoning(VAR)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T10:17:03Z)
• 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)
• Observing Interventions: A logic for thinking about experiments [62.997667081978825]
  本稿では,実験から学ぶ論理への第一歩について述べる。 我々のアプローチにとって重要なことは、介入の概念が(現実的または仮説的な)実験の形式的表現として使用できるという考えである。 提案された全ての論理系に対して、健全で完全な公理化を提供する。
  論文  参考訳（メタデータ） (2021-11-25T09:26:45Z)
• Top Program Construction and Reduction for polynomial time Meta-Interpretive Learning [8.680676599607125]
  指数的に増加する検索をTopプログラムの構築に置き換える方法を示す。 我々は,このアルゴリズムを,トッププログラムを構成する新しいMILシステムであるLouiseの基礎としてPrologに実装する。 我々は、グリッドワールドナビゲーション、グラフ接続性、文法学習データセットの実験において、最先端の検索ベースMILシステムMetagolと比較した。
  論文  参考訳（メタデータ） (2021-01-13T13:39:21Z)
• Empirically Verifying Hypotheses Using Reinforcement Learning [58.09414653169534]
  本稿では,仮説検証をRL問題として定式化する。 我々は、世界の力学に関する仮説を前提として、仮説が真か偽かを予測するのに役立つ観測結果を生成することができるエージェントを構築することを目指している。
  論文  参考訳（メタデータ） (2020-06-29T01:01:10Z)
• Logic of Machine Learning [0.0]
  私は、予測には根底にある依存の「予測可能性」を信じる必要があると提案する。 私は、人気のある教科書学習者の例を挙げ、それぞれが自身の不整合を最小化していることを示す。
  論文  参考訳（メタデータ） (2020-06-16T20:25:41Z)
• L2R2: Leveraging Ranking for Abductive Reasoning [65.40375542988416]
  学習システムの帰納的推論能力を評価するために,帰納的自然言語推論タスク(alpha$NLI)を提案する。 新たな$L2R2$アプローチは、Learning-to-rankフレームワークの下で提案されている。 ARTデータセットの実験は、公開リーダボードの最先端に到達します。
  論文  参考訳（メタデータ） (2020-05-22T15:01:23Z)
• Learning programs by learning from failures [26.955785230358963]
  本稿では,障害からの学習という,帰納的論理プログラミング(ILP)アプローチについて述べる。 このアプローチでは、ILPシステムは学習問題を3つの段階(生成、テスト、制約)に分解する。 本稿では,回答セットプログラミングとPrologを組み合わせることで,この手法を実現するILPシステムであるPopperを紹介する。
  論文  参考訳（メタデータ） (2020-05-05T14:55:07Z)
• Learning large logic programs by going beyond entailment [18.27510863075184]
  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。
  論文  参考訳（メタデータ） (2020-04-21T09:31:06Z)

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。