第一届学习与非单调推理国际研讨会会后论文集
人工智能
2013-11-20 v1 机器学习
计算机科学中的逻辑
摘要
知识表示与推理和机器学习是人工智能领域的两个重要方向。非单调逻辑编程 (NMLP) 和答案集编程 (ASP) 为表示和推理常识知识提供了形式化语言，并实现了人工智能中的声明式问题求解。另一方面，归纳逻辑编程 (ILP) 在逻辑编程中实现了机器学习，为归纳学习提供了形式化背景，其技术已应用于关系学习和数据挖掘领域。一般而言，NMLP 和 ASP 实现了非单调推理，但缺乏学习能力；相比之下，ILP 实现了归纳学习，但大多数技术是在经典单调逻辑下开发的。在此背景下，一些研究人员尝试在非单调 ILP 的语境下结合相关技术。这种结合将为程序引入学习机制，并在 NMLP 侧开拓新的应用；同时在 ILP 侧扩展表示语言，使我们能够利用现有的求解器。学习与非单调推理之间的交叉融合还可能体现在以下方面：将答案集求解器用于 ILP、在运行答案集求解器时加速学习、学习动作理论、学习动态系统中的转移规则、溯因学习、学习具有抑制作用的生物网络，以及涉及默认和否定的应用。本次研讨会是首次提供一个开放论坛，以识别问题并促进具有互补专长的研究人员之间的潜在合作。研讨会于 2013 年 9 月 15 日在西班牙科鲁尼亚举行。本会后论文集收录了五篇技术论文（共六篇录用论文）以及 Luc De Raedt 的特邀报告摘要。
引用
@article{arxiv.1311.4639,
title = {Post-Proceedings of the First International Workshop on Learning and Nonmonotonic Reasoning},
author = {Katsumi Inoue and Chiaki Sakama},
journal= {arXiv preprint arXiv:1311.4639},
year = {2013}
}
备注
67 pages, 5 papers, 1 abstract, 1 cover