进步

ProGolem:基于相对最小泛化的系统。在过去的十年里,归纳逻辑程序设计系统一直被自顶向下的精化搜索技术所支配。在这篇文章中,我们重新审视了自下而上方法在逻辑程序构造中的应用。特别地,我们研究了Plotkin的相对最小一般化(RLGG)的变体,这些变体是基于与底子句相关的包含的。使用Plotkin的RLGG,子句长度随着示例的数量呈指数级增长。相比之下,在Golem系统中,$ij$-确定RLGG子句的长度在给定的$i$和$j$下是多项式有界的。然而,确定性的限制使得Golem在许多关键的应用领域不适用,包括从原子和键的描述中学习化学性质。本文证明了在非对称相对最小概化(ARMGs)中,子句长度受初始底子句长度的限制。因此,武林中不需要使用限制。描述了一种构造ARMGs的算法,并在一个称为ProGolem的ILP系统中实现,该系统将Progol中的底子句构造与使用ARMG代替确定RLGG的Golem控制策略相结合。ProGolem已经在一些著名的ILP数据集上进行了评估。结果表明,在最初测试假人的两个确定的实际应用中,ProGolem具有与Golem相似或更好的预测精度和学习时间。此外,ProGolem也在一些不确定的实际应用中进行了测试,其中Golem不适用。在这些应用中,ProGolem和Aleph的时间和精度相当。实验结果还表明,在目标理论中子句较长且复杂的情况下,ProGolem明显优于Aleph。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换