一种基于聚类与降权的缺省理论归纳学习算法
人工智能
2021-09-28 v1
摘要
我们提出了一种基于聚类与降权的算法 Kmeans-FOLD，用于从正例和负例中归纳非单调逻辑程序。该算法受 FOLD 算法启发并对其进行了改进，而 FOLD 算法本身是对 FOIL 算法的改进。与 FOLD 算法相比，我们的算法能生成更简洁的逻辑程序。该算法在应用 FOLD 算法之前，先使用基于 K-means 的聚类方法对输入的正例样本进行聚类。在中间步骤中被部分学习程序覆盖的正例不会被丢弃（如 FOLD 算法中那样），而是被降权，即在算法的后续迭代中降低其权重。我们在 UCI 数据集上的实验表明，对于具有多个正例簇的数据集，K-Means 聚类与降权策略的结合能带来显著改进。与两种最先进的归纳逻辑编程（ILP）系统 FOLD 和 ALEPH 相比，所生成的归纳程序也更简洁，因而更易于理解。
引用
@article{arxiv.2109.12624,
title = {A Clustering and Demotion Based Algorithm for Inductive Learning of Default Theories},
author = {Huaduo Wang and Farhad Shakerin and Gopal Gupta},
journal= {arXiv preprint arXiv:2109.12624},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1808.00629