Fugu-MT 論文翻訳(概要): Learning logic programs by discovering where not to search

論文の概要: Learning logic programs by discovering where not to search

arxiv url: http://arxiv.org/abs/2202.09806v1
Date: Sun, 20 Feb 2022 12:32:03 GMT
ステータス: 処理完了
システム内更新日: 2022-02-25 11:36:41.350169
Title: Learning logic programs by discovering where not to search
Title（参考訳）: 探索しない場所発見による論理プログラムの学習
Authors: Andrew Cropper and C\'eline Hocquette
Abstract要約: 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。
参考スコア（独自算出の注目度）: 18.27510863075184
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The goal of inductive logic programming (ILP) is to search for a hypothesis that generalises training examples and background knowledge (BK). To improve performance, we introduce an approach that, before searching for a hypothesis, first discovers `where not to search'. We use given BK to discover constraints on hypotheses, such as that a number cannot be both even and odd. We use the constraints to bootstrap a constraint-driven ILP system. Our experiments on multiple domains (including program synthesis and inductive general game playing) show that our approach can substantially reduce learning times.
Abstract（参考訳）: 帰納論理プログラミング(ILP)の目標は、トレーニング例とバックグラウンド知識(BK)を一般化する仮説を探索することである。性能向上のために,仮説を探索する前に最初に「検索しない場所」を発見する手法を提案する。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。我々は制約駆動型LPシステムのブートストラップに制約を用いる。プログラム合成と帰納的汎用ゲームプレイを含む)複数の領域に対する実験により,本手法が学習時間を著しく短縮できることが示された。

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)
Learning logic programs by finding minimal unsatisfiable subprograms [24.31242130341093]
最小不満足なサブプログラム (MUSP) を識別する ILP アプローチを導入する。プログラム合成やゲームプレイなど,複数の領域での実験を行った結果,学習時間を99%短縮できることがわかった。
論文参考訳（メタデータ） (2024-01-29T18:24:16Z)
Learning logic programs by combining programs [24.31242130341093]
我々は、小さな非分離型プログラムを学習し、それらを組み合わせるアプローチを導入する。我々は制約駆動型LPシステムにアプローチを実装した。ゲームプレイやプログラム合成など,複数の領域に対する実験により,既存のアプローチを劇的に上回る結果が得られた。
論文参考訳（メタデータ） (2022-06-01T10:07:37Z)
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 through divide, constrain, and conquer [22.387008072671005]
古典的な分母探索と近代的な制約駆動探索を組み合わせた帰納論理プログラミング手法を提案する。 3つのドメイン(分類、帰納的汎用ゲームプレイ、プログラム合成)に対する実験により、我々のアプローチは予測精度を高め、学習時間を短縮できることが示された。
論文参考訳（メタデータ） (2021-09-16T09:08:04Z)
A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
論文参考訳（メタデータ） (2021-08-05T15:58:25Z)
Constrained Learning with Non-Convex Losses [119.8736858597118]
学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
論文参考訳（メタデータ） (2021-03-08T23:10:33Z)
Excursion Search for Constrained Bayesian Optimization under a Limited Budget of Failures [62.41541049302712]
本稿では,所定の予算の失敗の関数として探索において許容されるリスクの量を制御する制御理論に基づく新しい意思決定者を提案する。本アルゴリズムは, 種々の最適化実験において, 故障予算をより効率的に利用し, 一般に, 最先端の手法よりも, 後悔度を低くする。
論文参考訳（メタデータ） (2020-05-15T09:54:09Z)
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)
Provably Efficient Exploration for Reinforcement Learning Using Unsupervised Learning [96.78504087416654]
強化学習(RL)問題における効率的な探索に教師なし学習を用い,本パラダイムが有効であるかどうかを考察する。本稿では,教師なし学習アルゴリズムと非線形表RLアルゴリズムという,2つのコンポーネント上に構築された汎用的なアルゴリズムフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-15T19:23:59Z)

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。