論文の概要: Inductive Learning for Possibilistic Logic Programs Under Stable Models

• arxiv url: http://arxiv.org/abs/2510.07069v1
• Date: Wed, 08 Oct 2025 14:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.558035
• Title: Inductive Learning for Possibilistic Logic Programs Under Stable Models
• Title（参考訳）: 安定モデルに基づく確率論的論理プログラムの帰納学習
• Authors: Hongbo Hu, Yisong Wang, Yi Huang, Kewen Wang,
• Abstract要約: 安定モデル下での確率論的論理プログラム (possibilistic logic program) は、解集合プログラミング (ASP) の主要な変種である。 本稿では,背景プログラムと実例からposs- Programsを抽出する手法を提案する(目的のpossibilistic stable modelの一部)。
• 参考スコア（独自算出の注目度）: 9.302291774874066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Possibilistic logic programs (poss-programs) under stable models are a major variant of answer set programming (ASP). While its semantics (possibilistic stable models) and properties have been well investigated, the problem of inductive reasoning has not been investigated yet. This paper presents an approach to extracting poss-programs from a background program and examples (parts of intended possibilistic stable models). To this end, the notion of induction tasks is first formally defined, its properties are investigated and two algorithms ilpsm and ilpsmmin for computing induction solutions are presented. An implementation of ilpsmmin is also provided and experimental results show that when inputs are ordinary logic programs, the prototype outperforms a major inductive learning system for normal logic programs from stable models on the datasets that are randomly generated.
• Abstract（参考訳）: 確率論的論理プログラム (Possibilistic logic program) は、解集合プログラミング (ASP) の主要な変種である。 その意味論(確率的安定モデル)と性質はよく研究されているが、帰納的推論の問題はまだ研究されていない。 本稿では,背景プログラムと実例(確率的安定モデルの一部)からpossプログラムを抽出する手法を提案する。 この目的のために、帰納的タスクの概念をまず正式に定義し、その特性を調査し、帰納的解を計算するための2つのアルゴリズム ilpsm と ilpsmmin を提示する。 また、ilpsmminの実装も提供され、実験結果により、入力が通常の論理プログラムである場合には、ランダムに生成されたデータセット上の安定モデルから正規論理プログラムのための主要な帰納学習システムよりも優れていることが示された。

関連論文リスト

• REFINESTAT: Efficient Exploration for Probabilistic Program Synthesis [5.509795962249259]
  RefineStatは、セマンティック制約を強制し、合成されたプログラムが有効なパラメータと十分に整ったパラメータを含むことを保証する。 信頼性チェックが失敗するたびに、事前または可能性の高いコンポーネントを再サンプリングすることで、診断に配慮した改善を施す。 構文的に健全で統計的に信頼性の高いプログラムを生成し、しばしばクローズドソースの大規模言語モデルと一致するか、上回っている。
  論文  参考訳（メタデータ） (2025-09-01T03:13:36Z)
• Internal Causal Mechanisms Robustly Predict Language Model Out-of-Distribution Behaviors [61.92704516732144]
  正当性予測の最も堅牢な特徴は、モデルの振舞いに特徴的な因果的役割を果たすものであることを示す。 モデル出力の正しさを予測するために因果メカニズムを利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2025-05-17T00:31:39Z)
• LLM-Guided Probabilistic Program Induction for POMDP Model Estimation [40.98644220584212]
  部分的に観測可能なマルコフ決定プロセス(POMDP)モデルは不確実性の下で決定される。 我々は、観測関数、報酬関数、遷移関数、初期状態分布関数を含むモデルのコンポーネントを低複雑さ確率的グラフィカルモデルとしてモデル化できるPOMDPのサブクラスに興味を持っている。
  論文  参考訳（メタデータ） (2025-05-04T18:59:07Z)
• Self-Steering Language Models [113.96916935955842]
  DisCIPL は "self-steering" 言語モデル (LM) の手法である。 DisCIPLは、Followerモデルの集団によって実行されるタスク固有の推論プログラムを生成する。 我々の研究は、高度に並列化されたモンテカルロ推論戦略の設計空間を開く。
  論文  参考訳（メタデータ） (2025-04-09T17:54:22Z)
• JustLogic: A Comprehensive Benchmark for Evaluating Deductive Reasoning in Large Language Models [51.99046112135311]
  LLM(Large Language Models)の厳密な評価のための合成推論ベンチマークであるJustLogicを紹介する。 JustLogicは非常に複雑で、多様な言語パターン、語彙、引数構造を生成することができる。 実験の結果, (i) LLMは人体平均値よりも同等かそれ以上に機能するが, 人体天井よりも著しく低下することがわかった。
  論文  参考訳（メタデータ） (2025-01-24T15:49:10Z)
• Symbolic Parameter Learning in Probabilistic Answer Set Programming [0.16385815610837165]
  本稿では,確率的集合プログラミングの形式化を解くための2つのアルゴリズムを提案する。 第一に、オフザシェルフ制約最適化ソルバを用いてタスクを解く。 2つ目は期待最大化アルゴリズムの実装に基づいている。
  論文  参考訳（メタデータ） (2024-08-16T13:32:47Z)
• Language Models can be Logical Solvers [99.40649402395725]
  論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2023-11-10T16:23:50Z)
• Linear Temporal Logic Modulo Theories over Finite Traces (Extended Version) [72.38188258853155]
  有限トレース(LTLf)上の線形時間論理について検討する。 命題の文字は任意の理論で解釈された一階述語式に置き換えられる。 Satisfiability Modulo Theories (LTLfMT) と呼ばれる結果の論理は半決定可能である。
  論文  参考訳（メタデータ） (2022-04-28T17:57:33Z)
• 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)
• Generating Random Logic Programs Using Constraint Programming [12.47276164048813]
  本稿では,制約プログラミングを用いてランダムな論理プログラムを生成する手法を提案する。 モデルがパラメータ値とどのようにスケールするかを示し、そのモデルを用いて確率的推論アルゴリズムを様々な合成問題で比較する。
  論文  参考訳（メタデータ） (2020-06-02T19:12:53Z)

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。