論文の概要: Online Learning Probabilistic Event Calculus Theories in Answer Set
Programming
- arxiv url: http://arxiv.org/abs/2104.00158v1
- Date: Wed, 31 Mar 2021 23:16:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-03 07:45:28.529253
- Title: Online Learning Probabilistic Event Calculus Theories in Answer Set
Programming
- Title（参考訳）: 解集合プログラミングにおけるオンライン学習確率的事象計算理論
- Authors: Nikos Katzouris, Alexander Artikis and Georgios Paliouras
- Abstract要約: イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。
本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。
その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
- 参考スコア（独自算出の注目度）: 70.06301658267125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Complex Event Recognition (CER) systems detect event occurrences in streaming
time-stamped input using predefined event patterns. Logic-based approaches are
of special interest in CER, since, via Statistical Relational AI, they combine
uncertainty-resilient reasoning with time and change, with machine learning,
thus alleviating the cost of manual event pattern authoring. We present a
system based on Answer Set Programming (ASP), capable of probabilistic
reasoning with complex event patterns in the form of weighted rules in the
Event Calculus, whose structure and weights are learnt online. We compare our
ASP-based implementation with a Markov Logic-based one and with a number of
state-of-the-art batch learning algorithms on CER datasets for activity
recognition, maritime surveillance and fleet management. Our results
demonstrate the superiority of our novel approach, both in terms of efficiency
and predictive performance. This paper is under consideration for publication
in Theory and Practice of Logic Programming (TPLP).
- Abstract（参考訳）: 複雑なイベント認識(cer)システムは、事前定義されたイベントパターンを使用して、ストリーミングタイムスタンプ入力でイベント発生を検出する。
論理ベースのアプローチは、統計リレーショナルAIを通じて、不確実性の回復力のある推論と時間と変化を、機械学習と組み合わせることで、手動のイベントパターンオーサリングのコストを軽減するため、CERに特に関心がある。
本稿では、イベント計算における重み付けルールの形で複雑なイベントパターンを確率論的に推論し、その構造と重みをオンラインで学習するAnswer Set Programming(ASP)に基づくシステムを提案する。
我々は、ASPベースの実装をMarkov Logicベースの実装と比較し、アクティビティ認識、海上監視、艦隊管理のためのCERデータセット上の最先端のバッチ学習アルゴリズムと比較する。
本研究は,効率と予測性能の両面において,新しいアプローチの優位性を示すものである。
本稿では,論理プログラミングの理論と実践 (TPLP) の出版を検討中である。
関連論文リスト
- A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク
i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文 参考訳（メタデータ） (2024-09-18T14:57:13Z) - Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳（メタデータ） (2024-02-29T15:36:01Z) - Can Learning Deteriorate Control? Analyzing Computational Delays in
Gaussian Process-Based Event-Triggered Online Learning [7.697964930378468]
計算遅延を考慮したGPベースのオンライン学習のための新しいイベントトリガを提案する。
十分に少ない計算時間で、オフラインで訓練されたGPモデルよりも有利であることを示す。
論文 参考訳（メタデータ） (2023-05-14T14:37:33Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - Alignment-based conformance checking over probabilistic events [4.060731229044571]
本稿では、重み付きトレースモデルと重み付きアライメントコスト関数と、イベントデータに対する信頼度を制御するカスタムしきい値パラメータを導入する。
結果のアルゴリズムは、プロセスモデルとよりよく一致した、低いが十分に高い確率のアクティビティを考慮します。
論文 参考訳（メタデータ） (2022-09-09T14:07:37Z) - Learning Automata-Based Complex Event Patterns in Answer Set Programming [0.30458514384586405]
本稿では,過渡応答条件をASP(Answer Set Programming)ルールで定義するオートマトン群を提案する。
我々は、ASPにおけるこのような学習アプローチと、そのインクリメンタルバージョンを示し、効率性のために最適性を交換し、大規模なデータセットにスケールすることができる。
我々は2つのCERデータセットに対するアプローチを評価し、それを最先端のオートマトン学習技術と比較し、経験的に優れた性能を示す。
論文 参考訳（メタデータ） (2022-08-31T12:40:44Z) - pRSL: Interpretable Multi-label Stacking by Learning Probabilistic Rules [0.0]
本稿では,確率論的命題論理則と信念伝播を用いた確率論的ルールスタックリング(pRSL)を提案し,その基礎となる分類器の予測と組み合わせる。
精度と近似推論と学習のためのアルゴリズムを導出し、様々なベンチマークデータセット上でpRSLが最先端の性能に達することを示す。
論文 参考訳（メタデータ） (2021-05-28T14:06:21Z) - Online Reinforcement Learning Control by Direct Heuristic Dynamic
Programming: from Time-Driven to Event-Driven [80.94390916562179]
時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。
ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。
イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
論文 参考訳（メタデータ） (2020-06-16T05:51:25Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z) - Relational Neural Machines [19.569025323453257]
本稿では,学習者のパラメータと一階論理に基づく推論を共同で学習するフレームワークを提案する。
ニューラルネットワークは、純粋な準記号学習の場合の古典的な学習結果とマルコフ論理ネットワークの両方を復元することができる。
適切なアルゴリズム解は、大規模な問題において学習と推論が引き出すことができるように考案されている。
論文 参考訳（メタデータ） (2020-02-06T10:53:57Z)
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。