归纳逻辑程序设计综述

归纳逻辑程序设计是由机器学习与逻辑程序设计交叉所形成的一个研究领域,是机器学习的前沿研究课题。该文首先从归纳逻辑程序设计的问题背景、类型划分和搜索程序子句三个方面介绍了归纳逻辑程序设计系统的概貌;然后结合实验室的相关研究工作,回顾了归纳逻辑程序设计研究的发展;之后介绍了归纳逻辑程序设计领域中需要深入研究的若干问题,并提出了新的解决思路;最后是总结,以引起读者对归纳逻辑程序设计领域研究的进一步关注。

遗传归纳逻辑程序设计的个体编码生长现象

遗传归纳逻辑程序设计 (GILP)的个体编码生长现象严重影响了算法的性能和规则的可读性 通过对变长编码的模式分析 ,解释了GILP的个体编码生长现象 并发现 ,若从初始种群开始添加长度惩罚项来解决个体编码生长问题 ,种群会出现退化现象 而采取在演化的初期不添加惩罚项 ,在种群的性状有了明显改善后再添加惩罚的策略 ,既可避免种群退化 ,又可有效解决个体编码生长问题 .

约束归纳逻辑程序设计系统

提出了一种新的约束归纳逻辑程序设计方法,并初步实现了一个自顶向下的约束归纳逻辑程序原型系统。该系统能够导出不受变量个数限制的多种形式的线性约束,得出覆盖正例而排斥负例的含约束的Horn子句程序。

遗传归纳逻辑程序设计中规则的位串表示法

为了利用ＧＡ来解决ＩＬＰ方法中的性能瓶颈问题，关键在于如何把ＩＬＰ的一阶规则编码为遗传算子可操作的位串形式．提出了一种新的用于遗传算法（ＧＡ）的一阶规则位串表示法．示例分析表明，这是一种结合ＧＡ算法和ＩＬＰ技术的有效的规则位串表示法．

归纳逻辑程序设计综述

归纳逻辑程序设计(inductive logic programming,ILP)是以一阶逻辑归纳理论为基础,并以一阶逻辑为表达语言的符号规则学习方法.ILP学得的模型是易于理解的一阶逻辑符号规则,而非难以解释的黑箱模型;在学习中可以相对容易地显式利用以一阶逻辑描述的领域知识;学得模型能对领域中个体间的关系进行建模,而非仅仅对个体的标记进行预测.然而,由于潜在假设空间巨大,进行高效学习有相当的困难.综述了ILP领域的研究情况,从不同一阶逻辑归纳理论的角度对主流的ILP方法做出了梳理.还介绍了近年来ILP基于二阶诱导推理理论的扩展、基于概率的扩展和引入可微构件的扩展.最后,介绍了ILP在实际任务中的代表性应用,探讨了ILP方法目前所遇到的挑战,并对其未来发展进行了展望.

约束归纳逻辑程序设计方法的研究

提出了一种新的约束归纳逻辑程序设计方法。该方法能够与自顶向下的归纳逻辑程序设计系统结合,通过在自顶向下归纳方法的一步特殊化操作中引入Fisher判别分析等方法,使得系统能够导出不受变量个数限制的多种形式的线性约束,在不需要用户诱导,不依赖约束求解器的情况下,学习出覆盖正例而排斥负例的含约束的Horn子句程序。

基于位串编码的遗传归纳逻辑程序设计

归纳逻辑程序设计是基于一阶逻辑的数据挖掘新方法。一阶规则挖掘是目标谓词和背景知识谓词对应的各种原子的复杂组合优化问题。该文根据Occam’s razor原理提出原子的位串编码,设计相应的遗传算子,基于sequential covering策略提出采用遗传算法作为搜索策略的遗传归纳逻辑程序设计算法GILP。在连通图问题和gcd问题上验证算法的可行性。

约束归纳逻辑程序设计的研究

提出并讨论了从正负例和背景知识学习含有约束的一阶谓词公式的约束归纳逻辑程序设计方法．该方法以国际上具有代表性的ＩＬＰ系统Ｐｒｏｇｏｌ为基础，加入我们自己的学习约束的新方法，在不需要用户诱导的情况下，经过对正负例的比较与推导，学习出覆盖正例而排斥负例的含约束的Ｈｏｒｎ子句程序，同时介绍了这个ＩＬＰ系统的实现算法和应用实例．

选择策略对遗传归纳逻辑程序设计收敛性能的影响

采用遗传算法(GA)作为归纳逻辑程序设计(ILP)的搜索策略，可以提高ILP方法的鲁棒性和适应性。文章简要叙述了对作者提出的遗传归纳逻辑程序设计(GILP) 算法作的改进，测试了选择策略对GILP算法收敛性能的影响。采用不同的选择策略不会影响算法的最终收敛结果，但会产生不同的选择压力，导致算法具有不同的收敛速率。

归纳逻辑程序设计方法综述

归纳逻辑程序设计是机器学习与逻辑程序设计交叉所形成的一个研究领域,克服了传统机器学习方法的两个主要限制:即知识表示的限制和背景知识利用的限制,成为机器学习的前沿研究课题。首先从归纳逻辑程序设计的产生背景、定义、应用领域及问题背景介绍了归纳逻辑程序设计系统的概貌,对归纳逻辑程序设计方法的研究现状进行了总结和分析,最后探讨了该领域的进一步的研究方向。

基于归纳逻辑程序设计的特异规则挖掘

从关系数据挖掘的角度提出了挖掘特异规则的方法,该方法通过面向属性的方法来识别特异数据.借鉴Chi2算法的思想实现了特异数据的离散,并定性地描述了数据的特异程度,结合经典的归纳逻辑程序设计系统FDIL,自然地挖掘出了特异规则,突破了传统命题级数据挖掘的框架.试验结果表明利用该方法能够发现被传统的关联规则挖掘算法所忽略的有价值的知识.

分布式并行约束归纳逻辑程序设计研究

CILP是关系数据挖掘的主要技术之一。为提高CILP系统的效率,提出了一种基于C3模型,元学习技术和主从式静态负载平衡策略的分布式并行CILP算法,并实现了一个基于COW机群结构的分布式并行CILP原型系统。实验表明该算法是高效的,能获得较好的负载平衡,较高的加速比和并行效率。

归纳逻辑程序设计综述

归纳逻辑程序设计是逻辑程序设计和机器学习的一个交叉研究领域。先概述了归纳逻辑程序设计的历史及发展现状;对归纳逻辑程序设计学习器进行了分类和形式化定义,并给出了学习器的质量标准;按划分的类型分别讨论了归纳逻辑程序设计学习器的主要求解算法;进一步指出了归纳逻辑程序设计未来的发展前景,提出了归纳逻辑程序设计领域需要深入研究的若干问题。

归纳逻辑程序设计研究

在概述机器学习的基础上,介绍归纳逻辑程序设计这一机器学习方法所使用的逻辑技术,以及ILP的一般问题背景。指出:逻辑在推动计算机系统处理复杂问题上发挥着越来越重要的作用,ILP利用逻辑技术来推进机器学习的过程无疑是它的创新之处,在赞赏ILP优点的同时,也要看到ILP的不足之处。

复杂结构归纳学习研究

复杂结构归纳学习的需求近年来快速增长。复杂结构归纳学习方法按照知识表示方式不同分为基于逻辑的方法与基于数学图的方法。阐述了复杂结构归纳学习研究的历史沿革,介绍、分析和对比了不同知识表示方式下的学习方法,给出了复杂结构归纳学习将来发展面临的挑战和需重点解决的问题。

基于FOIL算法的约束归纳方法研究

对FOIL算法进行了深入剖析,针对归纳逻辑程序设计处理数值量弱的缺点,在FOIL算法的基础上作了改进。研究一种新的约束归纳算法,该算法通过在特殊化时对假设空间的划分和引入Fisher判别方法,能够导出不受变量个数限制的多种形式的线性约束。实验结果证明,改造后的算法在约束求解方面具有有效性。

多关系数据挖掘方法研究

目前大多数数据挖掘方法是从单关系中发现模式,而多关系数据挖掘(MRDM)则可直接从关系数据库的多表中抽取有效模式。MRDM可以解决原有命题数据挖掘方法不能解决的问题,它不仅有更强的信息表示能力,可以表示和发现更复杂的模式,还可以在挖掘进程中有效地利用背景知识来提高挖掘效率和准确率。近年来,借鉴归纳逻辑程序设计(ILP)技术,已经形成许多多关系数据挖掘方法,如关系关联规则挖掘方法、关系分类聚类方法等。

多关系数据挖掘研究综述

多关系数据挖掘是近年来快速发展的重要的数据挖掘领域之一。传统的数据挖掘方法只能完成单一关系中的模式发现,多关系数据挖掘能够从复杂结构化数据中发现涉及多个关系的复杂模式。该文综述了多关系数据挖掘的研究状况。首先分析了多关系数据挖掘领域发生的原因和背景,其次总结了多关系数据挖掘研究的一般方法,然后介绍、分析了最具代表性的多关系数据挖掘算法。最后,总结了多关系数据挖掘将来发展需重点解决的问题和面临的挑战。

多关系频繁模式发现研究

频繁模式发现是数据挖掘的重要任务之一。现实数据通常存储于由多个关系组成的关系数据库中。传统的频繁模式发现方法只能直接完成单一关系中的模式发现,如果要完成多关系数据的挖掘,会产生操作复杂性和信息丢失等问题。多关系数据挖掘是当前数据挖掘研究中快速发展的重要领域之一。多关系频繁模式发现方法能够直接从复杂结构化数据中发现涉及多个关系的复杂频繁模式,避免了传统方法的局限。本文首先归纳多关系频繁模式发现方法的发生历史背景,其次分析总结多关系频繁模式发现方法,最后提出了多关系频繁模式发现将来发展需重点解决的问题和面临的挑战。

一种自顶向下和自底向上相结合的ILP算法

归纳逻辑程序设计(ILP)是机器学习的一个重要分支,给定一个样例集和相关背景知识,ILP研究如何构建与其相一致的逻辑程序,这些逻辑程序由有限一阶子句组成。文章描述了一种综合当前一些ILP方法多方面优势的算法ICCR,ICCR溶合了以FOIL为代表的自顶向下搜索策略和以GOLEM为代表的自底向上搜索策略,并能根据需要发明新谓词、学习递归逻辑程序,对比实验表明,对相同的样例及背景知识,ICCR比FOIL和GOLEM能学到精度更高的目标逻辑程序。