論文の概要: Learning Logical Rules using Minimum Message Length
- arxiv url: http://arxiv.org/abs/2508.06230v1
- Date: Fri, 08 Aug 2025 11:23:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-11 20:39:06.213397
- Title: Learning Logical Rules using Minimum Message Length
- Title（参考訳）: 最小メッセージ長を用いた論理規則の学習
- Authors: Ruben Sharma, Sebastijan Dumančić, Ross D. King, Andrew Cropper,
- Abstract要約: 本稿では,雑音データから最小メッセージ長プログラムを学習するベイズ帰納論理プログラミング手法を提案する。
ゲームプレイやドラッグデザインなどいくつかの分野での実験を行った結果,本手法が従来の手法よりも優れていたことが判明した。
- 参考スコア（独自算出の注目度）: 16.761879277169367
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unifying probabilistic and logical learning is a key challenge in AI. We introduce a Bayesian inductive logic programming approach that learns minimum message length programs from noisy data. Our approach balances hypothesis complexity and data fit through priors, which explicitly favour more general programs, and a likelihood that favours accurate programs. Our experiments on several domains, including game playing and drug design, show that our method significantly outperforms previous methods, notably those that learn minimum description length programs. Our results also show that our approach is data-efficient and insensitive to example balance, including the ability to learn from exclusively positive examples.
- Abstract（参考訳）: 確率的および論理的学習の統一は、AIにおける重要な課題である。
本稿では,雑音データから最小メッセージ長プログラムを学習するベイズ帰納論理プログラミング手法を提案する。
我々のアプローチは、より一般的なプログラムを明示的に好んでおり、正確なプログラムを好む確率において、仮説の複雑さとデータ適合性のバランスをとる。
ゲームプレイやドラッグデザインなど,いくつかの分野での実験を行った結果,本手法が従来の手法,特に最小記述長プログラムを学習する手法よりも優れていたことが判明した。
以上の結果から,本手法はデータ効率が高く,サンプルバランスに敏感な手法であることが示唆された。
関連論文リスト
- Inference-Time Computations for LLM Reasoning and Planning: A Benchmark and Insights [49.42133807824413]
本稿では,大規模言語モデル(LLM)の複雑な課題解決における推論と計画能力について検討する。
近年の推論時間技術の発展は,LLM推論を追加訓練なしで向上させる可能性を示している。
OpenAIのo1モデルは、マルチステップ推論と検証の新たな使用を通じて、有望なパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-02-18T04:11:29Z) - 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 MDL logic programs from noisy data [19.749004264961492]
ノイズの多いデータから最小記述長プログラムを学習する手法を提案する。
薬物設計やゲームプレイ,プログラム合成など,いくつかの分野での実験を行った結果,既存のアプローチよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-08-18T08:49:30Z) - Hierarchical Programmatic Reinforcement Learning via Learning to Compose
Programs [58.94569213396991]
プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。
提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。
Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
論文 参考訳（メタデータ） (2023-01-30T14:50:46Z) - 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) - Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。
自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。
提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文 参考訳（メタデータ） (2022-05-28T03:31:07Z) - Learning to Synthesize Programs as Interpretable and Generalizable
Policies [25.258598215642067]
本稿では,プログラムの合成を学習するフレームワークについて述べる。
実験の結果,提案フレームワークは,タスク解決プログラムを確実に合成するだけでなく,DRLやプログラム合成ベースラインよりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-08-31T07:03:06Z) - 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) - Learning Implicitly with Noisy Data in Linear Arithmetic [94.66549436482306]
PAC-セマンティックスにおける暗黙学習を拡張し、線形算術の言語における間隔としきい値の不確実性を扱う。
最適線形プログラミング対象制約の学習に対する我々の暗黙的アプローチは、実際的な明示的アプローチよりも著しく優れていることを示す。
論文 参考訳（メタデータ） (2020-10-23T19:08:46Z) - BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。
特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。
単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
論文 参考訳（メタデータ） (2020-07-28T17:46:18Z)
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。