基于示例的规范最优学习
编程语言
2016-08-02 v1
摘要
从示例进行综合的一个根本挑战是设计一种学习算法，在保证发现目标假设的同时，向最终用户提出最少量的问题。此类保证具有重要的实际意义，因为它们确保最终用户不会被不必要的问题所负担。我们提出了 SPEX——一种解决上述挑战的学习算法。SPEX 考虑了一阶谓词公式的假设空间，并仅通过询问用户关于具体示例的简单成员查询来学习正确的假设。因此，SPEX 直接适用于任何符合其假设空间并使用成员查询的学习问题。SPEX 通过迭代地从空间中消除候选假设直到收敛到目标假设来工作。其主要思想是利用假设之间的蕴含顺序，以保证每一步向用户提出的问题都能获得对空间的最大程度剪枝。当谓词可能存在相关性时，这个问题尤为具有挑战性。为了展示 SPEX 的实用性，我们在其框架中表达了两个截然不同的应用领域：为技术分析师（股票交易）领域学习程序，以及学习数据结构规范。实验结果表明，SPEX 的最优性保证是有效的：它在成功学习精确假设的同时，大幅减少了向用户提出的问题数量。
引用
@article{arxiv.1608.00089,
title = {Optimal Learning of Specifications from Examples},
author = {Dana Drachsler-Cohen and Martin Vechev and Eran Yahav},
journal= {arXiv preprint arXiv:1608.00089},
year = {2016}
}