論文の概要: Honey, I shrunk the hypothesis space (through logical preprocessing)

• arxiv url: http://arxiv.org/abs/2506.06739v1
• Date: Sat, 07 Jun 2025 09:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.048698
• Title: Honey, I shrunk the hypothesis space (through logical preprocessing)
• Title（参考訳）: ハニー、私は(論理前処理を通して)仮説空間を縮小した。
• Authors: Andrew Cropper, Filipe Gouveia, David M. Cerna,
• Abstract要約: ILPシステムがそれを検索する前に仮説空間を縮めるアプローチを導入する。 本手法では,学習例に関わらず,最適仮説に適さないルールを見つけるために,背景知識を用いる。 実験の結果,予測精度を維持しながら学習時間を著しく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）: 19.54008511592332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inductive logic programming (ILP) is a form of logical machine learning. The goal is to search a hypothesis space for a hypothesis that generalises training examples and background knowledge. We introduce an approach that 'shrinks' the hypothesis space before an ILP system searches it. Our approach uses background knowledge to find rules that cannot be in an optimal hypothesis regardless of the training examples. For instance, our approach discovers relationships such as "even numbers cannot be odd" and "prime numbers greater than 2 are odd". It then removes violating rules from the hypothesis space. We implement our approach using answer set programming and use it to shrink the hypothesis space of a constraint-based ILP system. Our experiments on multiple domains, including visual reasoning and game playing, show that our approach can substantially reduce learning times whilst maintaining predictive accuracies. For instance, given just 10 seconds of preprocessing time, our approach can reduce learning times from over 10 hours to only 2 seconds.
• Abstract（参考訳）: 帰納論理プログラミング(英: Inductive logic programming、ILP)は、論理機械学習の一種。 目標は、訓練例と背景知識を一般化する仮説の仮説空間を探索することである。 ILPシステムがそれを検索する前に仮説空間を「縮小」する手法を提案する。 本手法では,学習例に関わらず,最適仮説に適さないルールを見つけるために,背景知識を用いる。 例えば、我々の手法は「偶数は奇数ではない」や「2より大きい素数は奇数である」といった関係を発見する。 その後、仮説空間から違反する規則を除去する。 我々は,この手法を解集合プログラミングを用いて実装し,制約ベースのILPシステムの仮説空間を縮小する。 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著しく短縮できることが示された。 例えば、前処理時間をわずか10秒とすれば、私たちのアプローチは学習時間を10時間以上から2秒に短縮できます。

関連論文リスト

• Efficient rule induction by ignoring pointless rules [21.961097463200232]
  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。
  論文  参考訳（メタデータ） (2025-02-03T10:46:18Z)
• Simple and Provable Scaling Laws for the Test-Time Compute of Large Language Models [70.07661254213181]
  本研究では,大規模言語モデルのテスト時間計算において,証明可能なスケーリング法則を享受する2つのアルゴリズムを提案する。 1つは2段階ノックアウト方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。 もう1つは2段階のリーグ方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。
  論文  参考訳（メタデータ） (2024-11-29T05:29:47Z)
• Machine learning and information theory concepts towards an AI Mathematician [77.63761356203105]
  人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。 このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。 興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
  論文  参考訳（メタデータ） (2024-03-07T15:12:06Z)
• Increasing Probability Mass on Answer Choices Does Not Always Improve Accuracy [60.18632773935895]
  同一の意味を持つ複数の曲面に確率質量を分散させることは、モデルの真の性能の過小評価を引き起こすと考えられている。 我々はSFCの数学的形式論を提案し、初めてその影響を定量化し、束縛することができる。 提案手法は,各回答選択の確率質量をaで増加させるという単純な方法であり,プロンプトに含め,bに含めた確率質量をbで増加させる手法である。
  論文  参考訳（メタデータ） (2023-05-24T00:27:00Z)
• 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)
• Learning logic programs by explaining their failures [26.955785230358963]
  本稿では,帰納論理プログラミングにおける障害説明手法を提案する。 仮説が失敗した場合、サブプログラムの失敗の観点からその失敗を説明する。 きめ細かい故障解析により、仮説空間上のきめ細かい制約を学習できることを示す。
  論文  参考訳（メタデータ） (2021-02-18T14:32:20Z)
• 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。