Fugu-MT 論文翻訳(概要): Efficient rule induction by ignoring pointless rules

論文の概要: Efficient rule induction by ignoring pointless rules

arxiv url: http://arxiv.org/abs/2502.01232v1
Date: Mon, 03 Feb 2025 10:46:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 14:59:56.649878
Title: Efficient rule induction by ignoring pointless rules
Title（参考訳）: 無点規則を無視した効率的な規則誘導
Authors: Andrew Cropper, David M. Cerna,
Abstract要約: ポイントレスルールを識別するLPアプローチを導入する。ルールが冗長リテラルを含んでいるか、負の例と区別できない場合、無意味である。点のない規則を無視した場合、ICPシステムでは仮説空間を順調に引き起こすことができることを示す。
参考スコア（独自算出の注目度）: 21.961097463200232
License:
Abstract: The goal of inductive logic programming (ILP) is to find a set of logical rules that generalises training examples and background knowledge. We introduce an ILP approach that identifies pointless rules. A rule is pointless if it contains a redundant literal or cannot discriminate against negative examples. We show that ignoring pointless rules allows an ILP system to soundly prune the hypothesis space. Our experiments on multiple domains, including visual reasoning and game playing, show that our approach can reduce learning times by 99% whilst maintaining predictive accuracies.
Abstract（参考訳）: 帰納的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を一般化する論理規則のセットを見つけることである。ポイントレスルールを識別するLPアプローチを導入する。ルールが冗長リテラルを含んでいるか、負の例と区別できない場合、無意味である。点のない規則を無視した場合、ICPシステムでは仮説空間を順調に引き起こすことができることを示す。視覚的推論やゲームプレイを含む複数の領域に対する実験により,予測精度を維持しながら学習時間を99%短縮できることが示された。

関連論文リスト

Can LLMs Reason with Rules? Logic Scaffolding for Stress-Testing and Improving LLMs [87.34281749422756]
大規模言語モデル(LLM)は、様々な推論タスクにおいて、印象的な人間的なパフォーマンスを実現している。しかし、その根底にある推論規則の熟達性は、人間の能力に欠ける。本稿では,推論ルールベースであるULogicを構築するための,推論ルール生成フレームワークを提案する。
論文参考訳（メタデータ） (2024-02-18T03:38:51Z)
Learning big logical rules by joining small rules [21.45295555809529]
我々は制約駆動システムにアプローチを実装し、制約解決器を使用してルールを効率的に結合する。ゲームプレイやドラッグデザインなど多くの分野での実験を行い、100以上のリテラルでルールを学習できることを示しました。
論文参考訳（メタデータ） (2024-01-29T15:09:40Z)
Large Language Models can Learn Rules [106.40747309894236]
大規模言語モデル(LLM)を用いた推論のためのルールライブラリを学習するフレームワークであるHtTを提案する。リレーショナル推論、数値推論、概念学習に関する実験は、HtTが既存のプロンプト法を改善することを示す。学習されたルールは、異なるモデルや同じ問題の異なる形式にも転送可能である。
論文参考訳（メタデータ） (2023-10-10T23:07:01Z)
Abductive Commonsense Reasoning Exploiting Mutually Exclusive Explanations [118.0818807474809]
帰納的推論は、イベントのもっともらしい説明を見つけることを目的としている。自然言語処理における帰納的推論のための既存のアプローチは、しばしば監督のために手動で生成されたアノテーションに依存している。この研究は、ある文脈に対して、説明のサブセットのみが正しいという事実を活用する、帰納的コモンセンス推論のアプローチを提案する。
論文参考訳（メタデータ） (2023-05-24T01:35:10Z)
Machine Learning with Probabilistic Law Discovery: A Concise Introduction [77.34726150561087]
Probabilistic Law Discovery (PLD) は、確率論的ルール学習の変種を実装した論理ベースの機械学習手法である。 PLDはDecision Tree/Random Forestメソッドに近いが、関連するルールの定義方法に大きく異なる。本稿はPLDの主な原則を概説し、その利点と限界を強調し、いくつかのアプリケーションガイドラインを提供する。
論文参考訳（メタデータ） (2022-12-22T17:40:13Z)
Truly Unordered Probabilistic Rule Sets for Multi-class Classification [0.0]
真に順序のない規則集合に対するTURSを提案する。まず、真に順序のない規則集合を学習する問題を定式化する。次に、ルールを慎重に成長させることでルール集合を学習する2相アルゴリズムを開発する。
論文参考訳（メタデータ） (2022-06-17T14:34:35Z)
Learning Symbolic Rules for Reasoning in Quasi-Natural Language [74.96601852906328]
我々は,ルールを手作業で構築することなく,自然言語入力で推論できるルールベースシステムを構築した。本稿では,形式論理文と自然言語文の両方を表現可能な"Quasi-Natural"言語であるMetaQNLを提案する。提案手法は,複数の推論ベンチマークにおける最先端の精度を実現する。
論文参考訳（メタデータ） (2021-11-23T17:49:00Z)
Open Rule Induction [2.1248439796866228]
言語モデル(LM)に基づくルール生成は,ルールの表現力を高めるために提案される。 KBベースの手法は、データの共通点を発見することによってルールを誘導するが、現在のLMベースの手法は「ルールからの学習ルール」である、と我々は主張する。本稿では,LMの知識を生かしたオープンルールの導出を目的としたオープンルール誘導問題を提案する。
論文参考訳（メタデータ） (2021-10-26T11:20:24Z)
An Exploration And Validation of Visual Factors in Understanding Classification Rule Sets [21.659381756612866]
ルールセットは、透明性と知性が必要な設定でモデルロジックを伝える手段として、機械学習(ML)でよく使用される。意外なことに、これまではルールを提示するための視覚的な代替策を探究する作業が限られていた。この作業は、MLモデルを理解するためのコミュニケーション戦略としてルールを使用する場合、実践者がより効果的なソリューションを採用するのに役立つ。
論文参考訳（メタデータ） (2021-09-19T16:33:16Z)
RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs [91.71504177786792]
本稿では知識グラフに基づく推論のための論理規則の学習について研究する。論理規則は、予測に使用されるときに解釈可能な説明を提供するとともに、他のタスクに一般化することができる。既存の手法は、検索スペースの検索の問題や、スパース報酬による非効率な最適化に悩まされている。
論文参考訳（メタデータ） (2020-10-08T14:47:02Z)

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。