理查德·埃文斯;爱德华·格雷芬斯特特 从噪声数据中学习解释规则。 （英语） 兹比尔1426.68235 J.阿蒂夫。智力。研究（JAIR） 61, 1-64 (2018). 摘要：人工神经网络是一种强大的函数逼近器，能够对各种问题的解决方案进行建模，包括有监督和无监督问题。随着它们的大小和表达能力的增加，模型的方差也会增加，从而产生几乎无所不在的过拟合问题。尽管通过各种模型调整方法可以缓解这种情况，但常见的解决方法是寻求大量的训练数据，这些数据不一定很容易获得，足以接近我们希望测试的领域的数据分布。相比之下，诸如归纳逻辑编程（Inductive logic programming）之类的逻辑编程方法提供了一个数据效率极高的过程，通过该过程可以训练模型在符号域上进行推理。然而，这些方法无法处理神经网络可以应用到的各种域：它们对输入中的噪声或错误标记没有鲁棒性，而且可能更重要的是，不能应用于数据不明确的非符号域，例如操作原始像素。本文提出了一种可微分归纳逻辑框架，它不仅可以解决传统ILP系统适合的任务，而且对ILP无法处理的训练数据中的噪声和错误具有鲁棒性。此外，由于它是针对似然目标通过反向传播进行训练的，因此可以通过将其与模糊数据上的神经网络连接来进行混合，以便应用于ILP无法解决的领域，同时提供超出神经网络自身所能实现的数据效率和泛化。 引用于23文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 PDF格式BibTeX公司 XML格式引用 \textit{R.Evans}和\textit{E.Grefenstette}，J.Artif。智力。研究（JAIR）61，1-64（2018；Zbl 1426.68235） 全文： 内政部 arXiv公司