多项式时间元解释学习的Top程序构造与约简
人工智能
2021-09-14 v1
摘要
像大多数ILP系统一样，元解释学习器通过在假设空间（所有可构造子句的幂集）中搜索正确假设来学习。我们展示了这种指数增长的搜索如何被Top程序的构造所取代：Top程序是所有正确假设中子句的集合，其自身即为一个正确假设。我们给出了一个Top程序构造算法，并证明它能在多项式时间内由有限数量的例子构造出正确的Top程序。我们在Prolog中实现该算法作为新型MIL系统Louise的基础，Louise构造Top程序然后通过移除冗余子句对其进行约简。我们在网格世界导航、图连通性和语法学习数据集上将Louise与最先进的基于搜索的MIL系统Metagol进行比较，发现当假设空间与目标理论都很大，或当假设空间因误标例子形式的“分类噪声”而不包含正确假设时，Louise在预测精度上优于Metagol。当假设空间或目标理论较小时，Louise与Metagol表现相当。
引用
@article{arxiv.2101.05050,
title = {Top Program Construction and Reduction for polynomial time Meta-Interpretive Learning},
author = {Stassa Patsantzis and Stephen H. Muggleton},
journal= {arXiv preprint arXiv:2101.05050},
year = {2021}
}
备注
25 pages, 3 figures, to be published in Machine Learning Journal Special Issue on Learning and Reasoning