論文の概要: Preprocessing in Inductive Logic Programming

• arxiv url: http://arxiv.org/abs/2112.12551v1
• Date: Tue, 21 Dec 2021 16:01:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-25 05:39:24.944531
• Title: Preprocessing in Inductive Logic Programming
• Title（参考訳）: 帰納論理プログラミングにおける前処理
• Authors: Brad Hunter
• Abstract要約: この論文は、IPPシステムの初期制約を生成する方法であるボトム前処理を導入している。 ボトム前処理は、逆エンターメントのアイデアを現代のILPシステムに適用する。 実験により, 底面前処理は, 難題におけるILPシステムの学習時間を短縮できることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inductive logic programming is a type of machine learning in which logic programs are learned from examples. This learning typically occurs relative to some background knowledge provided as a logic program. This dissertation introduces bottom preprocessing, a method for generating initial constraints on the programs an ILP system must consider. Bottom preprocessing applies ideas from inverse entailment to modern ILP systems. Inverse entailment is an influential early ILP approach introduced with Progol. This dissertation also presents $\bot$-Popper, an implementation of bottom preprocessing for the modern ILP system Popper. It is shown experimentally that bottom preprocessing can reduce learning times of ILP systems on hard problems. This reduction can be especially significant when the amount of background knowledge in the problem is large.
• Abstract（参考訳）: 帰納的論理プログラミング(inductive logic programming)は、論理プログラムを例から学習する機械学習の一種である。 この学習は通常、論理プログラムとして提供される背景知識と相対的に起こる。 この論文は、ilpシステムが考慮しなければならないプログラムに初期制約を生成する手法であるボトムプリプロセッシングを導入する。 ボトムプリプロセッシングは、逆包含から現代的なilpシステムへアイデアを適用する。 Inverse EntailmentはProgolで導入された初期のILPアプローチである。 この論文は、現代のilpシステムpopperのボトムプリプロセッシングの実装である$\bot$-popperも提示している。 ボトムプリプロセッシングは難解な問題に対するlppシステムの学習時間を短縮できることを実験的に示している。 この削減は、問題における背景知識の量が大きい場合に特に重要となる。

関連論文リスト

• Soft Reasoning on Uncertain Knowledge Graphs [85.1968214421899]
  本研究では,ソフト制約プログラミングの確立を動機とした,不確実な知識に対するソフトクエリの設定について検討する。 本稿では,大規模,不完全,不確実な知識グラフ上でのソフトクエリに応答する,前方推論と後方校正を併用したMLベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-03T13:13:53Z)
• System Predictor: Grounding Size Estimator for Logic Programs under Answer Set Semantics [0.5801044612920815]
  本稿では,プログラムの基底サイズを推定するシステム予測器を提案する。 本稿では,Productor と Lpopt が生成したリライトのガイドとして使用するPredictor の効果を評価する。
  論文  参考訳（メタデータ） (2023-03-29T20:49:40Z)
• Enforcing Consistency in Weakly Supervised Semantic Parsing [68.2211621631765]
  本稿では,関連する入力に対する出力プログラム間の整合性を利用して,スプリアスプログラムの影響を低減することを提案する。 より一貫性のあるフォーマリズムは、一貫性に基づくトレーニングを必要とせずに、モデルパフォーマンスを改善することにつながります。
  論文  参考訳（メタデータ） (2021-07-13T03:48:04Z)
• 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)
• Data-driven Weight Initialization with Sylvester Solvers [72.11163104763071]
  本稿では,ディープニューラルネットワークのパラメータを初期化するためのデータ駆動方式を提案する。 提案手法は,特にショットや微調整の設定において有効であることを示す。
  論文  参考訳（メタデータ） (2021-05-02T07:33:16Z)
• 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)
• Process Discovery for Structured Program Synthesis [70.29027202357385]
  プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。 本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。 我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
  論文  参考訳（メタデータ） (2020-08-13T10:33:10Z)
• Incremental maintenance of overgrounded logic programs with tailored simplifications [0.966840768820136]
  単調に成長する命題プログラムを生成するための新しい戦略を導入する。 従来の手法では、カスタマイズされた単純化技術により、インスタンス化されたプログラムのサイズが小さくなる。
  論文  参考訳（メタデータ） (2020-08-06T21:50:11Z)
• 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)
• 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。