Induction of Interpretable Possibilistic Logic Theories from Relational Data
Cardiff University(卡迪夫大学);KU Leuven(鲁汶大学)
统计关系学习(Statistical Relational Learning,SRL)是一个从关系数据中学习概率模型的领域。学习的SRL模型通常使用某种加权逻辑公式来表示,这使得它们比通过例如神经网络获得的模型更可解释。然而,在实践中,这些模型通常仍然难以正确解释,因为它们可能包含许多以非平凡方式相互作用的公式,并且权重并不总是具有直观的含义。为了解决这个问题,我们提出了一个新的SRL方法,使用可能性逻辑编码关系模型。学习模型本质上是分层的经典理论,它明确地编码了在给定的确定性水平下可以导出的东西。与马尔可夫逻辑网络(MLN)相比,我们的方法更快,并产生更多的可解释的模型。
2017-05-19 cs.AI
LLM-Guided Probabilistic Program Induction for POMDP Model Estimation
MIT(麻省理工学院);Cornell University(康奈尔大学)
本文提出以 LLM 为先验生成并迭代修正短概率程序,用于归纳低复杂度 POMDP 模型,并在玩具、MiniGrid 与真实机器人搜索任务中验证其优于多种基线。
2025-05-12 cs.AI
Program-Based Strategy Induction for Reinforcement Learning
Princeton Neuroscience Institute(普林斯顿神经科学研究所);Princeton University(普林斯顿大学);Department of Psychology(心理学系);Department of Computer Science(计算机科学系)
本文提出用贝叶斯程序归纳发现可解释的强化学习策略,在赌博机任务中揭示出经典增量学习难以捕捉的非对称学习、自适应随机探索和离散状态切换等策略。
2024-02-26 cs.AI cs.LG
Induction of First-Order Decision Lists: Results on Learning the Past Tense of English Verbs
本文提出了一种从实例中归纳逻辑程序的方法,该方法学习一类新的概念,称为一阶决策表,定义为每个子句都以割结束的有序列表。该方法,称为FOIDL,是基于FOIL(昆兰,1990年),但采用内涵的背景知识,并避免了明确的反例的需要。它对于涉及特定例外的规则的问题特别有用,例如学习英语动词的过去时态,这是一项在符号/连接主义辩论背景下广泛研究的任务。FOIDL能够从比以前的方法(连接主义和符号)少得多的例子中学习简洁,准确的程序。
1995-06-01 cs.AI
Program Induction by Rationale Generation : Learning to Solve and Explain Algebraic Word Problems
DeepMind;University of Oxford(牛津大学)
解决代数应用题需要执行一系列算术运算-一个程序-以获得最终答案。然而,由于程序可以是任意复杂的,直接从问答对中归纳它们是一个巨大的挑战。为了使这项任务更加可行,我们通过生成答案推理、自然语言序列和人类可读的数学表达式来解决这些问题,这些表达式通过一系列小步骤得出最终答案。虽然基本原理没有明确地指定程序,但它们通过中间里程碑为它们的结构提供了一个脚手架。为了评估我们的方法,我们创建了一个新的100,000个样本的问题,答案和理由数据集。实验结果表明,间接监督程序学习的答案理据是一个很有前途的战略,诱导算术程序。
2017-10-23 cs.AI cs.CL cs.LG
Learning abstract structure for drawing by efficient motor program induction
MIT(麻省理工学院)
人类灵活地解决新问题,这些问题与他们接受的训练有本质上的不同。这种概括能力得到了学习概念的支持,这些概念捕捉了不同问题的共同结构。在这里,我们开发了一个自然主义的绘画任务,研究人类如何快速获得结构化的先验知识。该任务要求基于一组可组合的几何规则绘制共享底层结构的视觉对象。我们表明,人们自发地学习抽象的绘图程序,支持泛化,并提出了一个模型,学习者如何发现这些可重用的绘图程序。在与人类相同的环境中训练,并限制产生有效的运动动作,该模型发现了新的绘图例程,这些例程转移到测试对象,并类似于人类序列的学习特征。这些结果表明,模型中指导运动程序诱导的两个原则-抽象性(忽略特定对象细节的一般程序)和组合性(重新组合先前学习的程序)-是解释人类如何学习指导灵活推理和学习的结构化内部表征的关键。
2020-08-08 cs.AI cs.LG q-bio.NC
Universal Induction with Varying Sets of Combinators
AIDEUS;National Research University of Information Technology, Mechanics and Optics(国立信息技术、机械与光学研究大学);Aix Marseille Université(艾克斯-马赛大学);CNRS(法国国家科学研究中心)
泛归纳是AGI中的一个关键问题。它的实用性可以通过选择参考机器或表示与环境一致的算法来实现。这台机器应该是可更新的,以便更有效地解决后续任务。我们研究这个问题的组合逻辑的一个例子,非常简单的图灵完备参考机,它使修改程序表示引入不同的原始组合子。利用遗传编程系统搜索组合子表达式,将组合子表达式分解为子表达式,在交叉操作中进行重组。我们的实验表明,开发的系统可以解决低复杂度的归纳或预测任务(比使用蛮力更有效);有用的组合子可以被揭示并包含在简化更困难的任务的表示中。然而,组合子的最佳集合取决于特定的任务,因此应该与搜索引擎协调地自适应地选择参考机。
2013-06-01 cs.AI
Induction of Non-monotonic Logic Programs To Explain Statistical Learning Models
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们提出了一个快速的和可扩展的算法,从统计学习模型诱导非单调逻辑程序。我们减少了搜索最佳条款的高效用项目集挖掘(HUIM)问题的实例的问题。在HUIM问题中,特征值和它们的重要性分别被视为事务和效用。我们利用TreeExplainer,可解释的AI工具SHAP的快速和可扩展的实现,从集成树模型中提取局部重要特征及其权重。我们的实验与UCI标准的基准表明,显着改善的分类评估指标和运行时间的训练算法相比,ALEPH,一个国家的最先进的归纳逻辑程序设计(ILP)系统。
2019-09-18 cs.AI cs.LG cs.LO
Path-dependent program induction under resource constraints explains human sequence learning
University of Tübingen(蒂宾根大学);Center for Cognitive Science, Technical University Darmstadt(达姆施塔特工业大学认知科学中心);Department of Computational Neuroscience, Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所计算神经科学系)
通过整合率失真理论与程序归纳,提出分层适应文法(HAG)模型,在记忆和计算约束下解释人类如何从序列经验中构建抽象知识,实验表明HAG优于固定文法,并拟合了人类回忆错误和反应时间模式。
2026-06-23 cs.AI cs.CL cs.LG
Fast and flexible: Human program induction in abstract reasoning tasks
New York University(纽约大学)
抽象和推理语料库(ARC)是Chollet(2019)最近提出的一个具有挑战性的程序归纳数据集。在这里,我们报告了从人类解决ARC任务子集(1000个中的40个)的行为研究中收集的第一组结果。虽然这个任务子集包含相当大的变化,但我们的研究结果表明,人类能够推断出底层程序,并为新的测试输入示例生成正确的测试输出,每个参与者平均解决了80%的任务,并且65%的任务由超过80%的参与者解决。此外,我们发现有趣的模式的行为一致性和变化的动作序列在生成过程中,自然语言的描述,以描述每个任务的转换,以及人们犯的错误。我们的研究结果表明,人们可以快速可靠地确定任务的相关特征和属性,以组成正确的解决方案。未来的建模工作可以结合这些发现,可能通过连接我们在这里收集的自然语言描述的ARC的底层语义。
2021-03-10 cs.AI cs.HC cs.LG
Can Large Language Models Code Like a Linguist?: A Case Study in Low Resource Sound Law Induction
Carnegie Mellon University(卡内基梅隆大学);John Hopkins University(约翰霍普金斯大学);Ohio State University(俄亥俄州立大学)
本文将低资源语音规律归纳视为示例编程,提出利用LLMs从语音变化示例生成Python程序的解决方案,并生成合成数据微调模型,实验表明LLMs虽落后现有方法但能互补其弱点。
2024-06-18 cs.AI cs.CL
Program Transfer for Answering Complex Questions over Knowledge Bases
BNRist(北京国家信息科学与技术研究中心);Tsinghua University(清华大学);Huawei Technologies(华为技术有限公司)
用于回答知识库(KB)上的复杂问题的程序归纳旨在将问题分解为多步程序,其对KB的执行产生最终答案。学习诱导程序依赖于大量的并行问题程序对给定的知识库。然而,对于大多数知识库,黄金程序注释通常是缺乏的,使学习困难。在本文中,我们提出了程序转移的方法,其目的是利用有价值的程序注释的丰富资源的知识库作为外部监督信号,以帮助程序诱导的低资源的知识库,缺乏程序注释。对于程序传输,我们设计了一个新的两阶段解析框架,有效的本体指导修剪策略。首先,草图解析器将问题转换为高级程序草图,即函数的组成。第二,给定问题和草图,参数解析器从KB中搜索函数的详细参数。在搜索过程中,我们结合知识库本体来修剪搜索空间。在ComplexWebQuestions和WebWebCriminalSP上的实验表明,该方法的性能明显优于SOTA方法,证明了程序迁移和框架的有效性。我们的代码和数据集可以从https://github.com/THU-KEG/ProgramTransfer获得。
2022-03-10 cs.AI
Using Natural Language and Program Abstractions to Instill Human Inductive Biases in Machines
Princeton Neuroscience Institute(普林斯顿神经科学研究所);DeepMind(深度思维);Princeton University(普林斯顿大学)
强烈的归纳偏见使人类能够快速学习执行各种任务。虽然元学习是一种赋予神经网络有用的归纳偏差的方法,但通过元学习训练的代理有时可能会获得与人类非常不同的策略。我们发现,共同训练这些代理预测表示从自然语言任务描述和程序诱导产生这样的任务引导他们走向更人性化的归纳偏见。人类生成的语言描述和程序归纳模型,添加新的学习原语都包含抽象的概念,可以压缩描述长度。这些表示的共同训练导致下游Meta强化学习代理的行为比不那么抽象的控制(合成语言描述,没有学习原语的程序归纳)更像人类,这表明这些表示支持的抽象是关键。
2023-02-05 cs.AI
Analysis of Error Sources in LLM-based Hypothesis Search for Few-Shot Rule Induction
Department of Statistics, University of California, Los Angeles(统计学系,加州大学洛杉矶分校);Microsoft, Redmond, WA(微软公司,西雅图,华盛顿州);Department of Psychology, University of California, Los Angeles(心理学系,加州大学洛杉矶分校)
该研究针对少样本规则归纳任务,对比基于LLM的假设搜索框架与直接程序生成方法,发现前者性能接近人类,同时通过误差分析明确假设生成的关键瓶颈,指出该框架的应用潜力与系统优化方向。
2025-08-31 cs.AI cs.CL cs.LG
Summary - TerpreT: A Probabilistic Programming Language for Program Induction
Microsoft Research(微软研究院);perceptiveIO
我们研究归纳程序合成的机器学习公式,也就是说,给定输入-输出示例,合成将输入映射到相应输出的源代码。我们的主要贡献是TerpreT,表达程序合成问题的领域特定的语言。TerpreT模型由程序表示的规范和描述程序如何将输入映射到输出的解释器组成。推理任务是观察一组输入输出示例并推断底层程序。从一个TerpreT模型中,我们使用四个不同的后端自动执行推理:梯度下降(因此每个TerpreT模型可以被视为定义一个可微解释器),线性规划(LP)松弛的图形模型,离散可满足性求解,和草图程序合成系统。TerpreT有两个主要好处。首先,它可以快速探索一系列领域,程序表示和解释器模型。其次,它将模型规范与推理算法分离,允许在不同的推理方法之间进行适当的比较。我们说明TerpreT的价值,通过开发几个解释器模型和执行各种程序模型的替代推理算法之间的广泛的实证比较。据我们所知,这是第一个工作比较基于梯度的搜索程序空间的传统搜索为基础的替代品。我们的主要经验发现是,约束求解器占主导地位的梯度下降和LP为基础的配方。这是arXiv上一篇较长报告的研讨会摘要:1608.04428
2016-12-02 cs.AI cs.LG cs.NE
Induction and Inquiry via Probabilistic Reasoning over Language and Code
Cornell University(康奈尔大学);Massachusetts Institute of Technology(麻省理工学院)
该研究提出结合自然语言与源代码的心理程序编码模型,经LLM引导的贝叶斯学习算法推断,成功复现人类归纳学习与主动探究特征,优于纯LLM及经典贝叶斯模型,为人类知识生成机制提供新解释。
2026-09-03 cs.AI
TerpreT: A Probabilistic Programming Language for Program Induction
Microsoft Research(微软研究院);perceptiveIO
我们研究归纳程序合成的机器学习公式;给定输入输出示例,我们尝试合成将输入映射到相应输出的源代码。我们的目标是开发基于神经网络和图形模型的新机器学习方法,并了解机器学习技术相对于传统替代方案的能力,例如基于程序设计语言社区的约束求解。我们的主要贡献是TerpreT,一个特定领域的语言表达程序合成问题的建议。TerpreT类似于概率程序设计语言:模型由程序表示的规范(随机变量的声明)和描述程序如何将输入映射到输出的解释器(将未知数连接到观察结果的模型)组成。推理任务是观察一组输入输出示例并推断底层程序。TerpreT有两个主要好处。首先,它可以快速探索一系列领域,程序表示和解释器模型。其次,它将模型规范与推理算法分离,允许不同推理方法之间的相似比较。从一个单一的TerpreT规范中,我们使用四个不同的后端自动执行推理。这些是基于梯度下降,线性规划(LP)松弛的图形模型,离散可满足性求解,和草图程序合成系统。我们通过开发几种解释器模型并在替代推理算法之间进行实证比较来说明TerpreT的价值。我们的主要经验发现是,约束求解器占主导地位的梯度下降和LP为基础的配方。最后,我们建议机器学习社区在程序合成方面取得进展。
2016-08-15 cs.AI cs.LG cs.NE
Playgol: learning programs through play
University of Oxford(牛津大学)
孩子们通过游戏学习。我们介绍了通过游戏学习程序的类似想法。在这种方法中,程序诱导系统(学习者)被赋予一组任务和初始背景知识。在解决任务之前,学习者进入一个无监督的游戏阶段,在那里它创建自己的任务来解决,尝试解决它们,并将任何解决方案(程序)保存到背景知识中。在游戏阶段完成后,学习者进入监督构建阶段,在那里它试图解决用户提供的任务,并可以重用在游戏中学习到的解决方案。这个想法是,玩允许学习者发现自己的可重用的通用程序,然后可以帮助解决用户提供的任务。我们认为游戏可以提高学习成绩。我们发现,播放可以降低目标概念的文本复杂性,这反过来又降低了学习者的样本复杂性。我们实现了我们的想法在Playgol,一个新的归纳逻辑程序设计系统。我们实验测试我们的要求在两个领域:机器人规划和现实世界的字符串转换。我们的实验结果表明,玩可以大大提高学习成绩。我们认为,玩的想法(或者更详细地说,监督程序诱导的无监督引导)是一个重要的贡献,开发程序诱导方法,自我发现BK的问题。
2019-05-20 cs.AI cs.LG
Beyond Either-Or Reasoning: Transduction and Induction as Cooperative Problem-Solving Paradigms
本文提出协作转换-归纳问题解决范式,通过交替使用转换与归纳推理模式,提升程序生成性能,其在三个PBE领域中均优于现有方法,生成更贴近真实行为的程序。
2026-08-05 cs.AI cs.LG cs.PL
Logical Rule Induction and Theory Learning Using Neural Theorem Proving
MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);IBM Research(IBM研究院);University College London(伦敦大学学院)
人类认知的一个标志是能够不断地获取和提炼对世界的观察,并将其转化为有意义的预测理论。在本文中,我们提出了一个新的机制,逻辑理论收购,需要一组观察到的事实,并学会从中提取一组逻辑规则和一个小的核心事实,共同承担的意见。我们的方法是神经符号的意义上,规则pred- icates和核心事实给出了密集的向量表示。使用软统一过程将规则应用于核心事实以推断附加事实。在向前推理的k步之后,将结果与初始观察结果进行比较,然后鼓励规则和核心事实朝向通过推理更忠实地生成观察结果的表示。我们的方法是基于一种新的神经前向链接可微规则归纳网络。这些规则是可解释的,并且可以从它们的谓词中组合地学习,这些谓词可以是发明的。我们证明了我们的方法在各种ILP规则归纳和领域理论学习数据集上的有效性。
2018-09-12 cs.AI
Hierarchical Multi-Persona Induction from User Behavioral Logs: Learning Evidence-Grounded and Truthful Personas
Department of Computer Science, Emory University(埃默里大学计算机科学系);Naver Corporation(Naver公司)
本文提出层级框架,通过聚类和标注用户行为记忆,诱导多个证据支撑的角色,提升角色的连贯性、证据性和可信度,同时提高未来交互预测。
2026-04-28 cs.AI
Concept Induction: Analyzing Unstructured Text with High-Level Concepts Using LLooM
Stanford University(斯坦福大学);University of Washington(华盛顿大学)
本文提出概念归纳算法LLooM,利用大型语言模型从非结构化文本中生成高层级、可解释的概念,优于主题模型,并支持理论驱动的分析。
2024-04-18 cs.AI cs.HC
P-Tree Programming
University of Basel(巴塞尔大学)
提出了一种新的程序合成方法。P-树编程通过一棵概率原型树来表示程序的搜索空间。从这个原型树,我们形成程序实例,我们评估一个给定的问题。来自评估的错误值通过原型树传播。我们使用它们来更新概率分布,以确定进一步实例的符号选择。迭代法适用于几个符号回归基准从文献。它在很大程度上优于标准的遗传编程。此外,它依赖于一组简洁的参数,这些参数对所有问题都保持不变。该算法可用于大多数典型的计算智能任务,如分类,自动程序归纳,符号回归。
2017-07-12 cs.AI
Combining Induction and Transduction for Abstract Reasoning
Cornell(康奈尔大学);Shanghai Jiao Tong University(上海交通大学);Basis(Basis公司);Autodesk(欧特克)
该研究在 ARC 上比较归纳与转导两种少样本学习方式,通过训练对应神经模型并集成,发现二者能力互补,可接近人类抽象推理水平。
2024-12-02 cs.AI cs.CL cs.LG
The NOESIS Network-Oriented Exploration, Simulation, and Induction System
University of Granada(格拉纳达大学)
网络数据采掘因其可应用的问题众多而成为一个重要的研究领域。本文介绍了NOESIS,一个开源的网络数据采掘框架,它提供了大量的网络分析技术,包括网络结构特性的分析,社区发现方法,链接评分,和链接预测,以及网络可视化算法。它还具有一个完整的独立图形用户界面,便于使用所有这些技术。NOESIS框架的设计使用了坚实的面向对象的设计原则和结构化并行编程。作为一个轻量级的库,具有最小的外部依赖性和宽松的软件许可证,NOESIS可以被合并到其他软件项目中。它在BSD许可证下发布,可从http://noesis.ikor.org获得。
2017-06-23 cs.AI cs.SI
Strong Generalization and Efficiency in Neural Programs
DeepMind
我们研究的问题,学习有效的算法,强烈概括的神经程序归纳的框架。通过仔细设计神经模型的输入/输出接口并通过模仿,我们能够学习对任意输入大小产生正确结果的模型,从而实现强大的泛化能力。此外,通过使用强化学习,我们优化了程序的效率指标,并发现了新的算法,超越了模仿中使用的老师。有了这个,我们的方法可以学习超越各种问题的定制编写的解决方案,因为我们在排序,有序列表中搜索和NP完全0/1背包问题上测试了它,这在神经程序归纳领域树立了一个值得注意的里程碑。作为亮点,我们学习的模型可以在我们测试的任何输入数据大小上完美地执行排序,具有$O(n log n)$复杂性,同时在操作数量上优于手工编码的算法,包括快速排序,即使列表大小远远超过训练期间看到的。
2020-07-08 cs.AI cs.LG cs.NE
Differentiable Rule Induction from Raw Sequence Inputs
Institute of High Performance Computing, Agency for Science, Technology and Research(高性能计算研究所,科技研究局);National Institute of Informatics(国家信息研究所);Key Laboratory of High Confidence Software Technologies, School of Computer Science Peking University(高可信软件技术重点实验室,北京大学计算机学院)
本文提出一种结合自监督可微分聚类与新型可微分ILP模型的方法,实现从原始数据中无显式标签泄漏地推导规则。
2026-02-14 cs.AI cs.LG
Few-Shot Complex Knowledge Base Question Answering via Meta Reinforcement Learning
Monash University(莫纳什大学);Southeast University-Monash University Joint Research Institute(东南大学-莫纳什大学联合研究院);Southeast University(东南大学)
复杂问答(CQA)涉及在知识库(KB)上回答复杂的自然语言问题。然而,当问题具有不同类型时,传统的神经程序归纳(NPI)方法表现出不均匀的性能,具有固有的不同特征,例如,难度级别。提出了一种Meta强化学习方法用于CQA中的程序归纳,以解决问题中潜在的分布偏差问题。我们的方法快速,有效地适应元学习程序员的新问题的基础上检索的最相似的问题,从训练数据。然后,元学习策略用于学习良好的编程策略,利用试验轨迹及其对支持集中类似问题的奖励。我们的方法在CQA数据集上实现了最先进的性能(Saha等人,2018年),同时在每个支持集中只使用5个试验轨迹来处理前5个检索到的问题,并对仅由1%的训练集构建的任务进行元训练。我们已经在https://github.com/DevinJake/MRL-CQA上发布了我们的代码。
2020-10-29 cs.AI cs.CL
Abductive Knowledge Induction From Raw Data
Imperial College London(伦敦帝国学院)
对于许多涉及原始输入的推理繁重的任务,设计适当的端到端学习管道具有挑战性。神经符号学习,将过程分为子符号感知和符号推理,试图同时利用数据驱动的机器学习和知识驱动的推理。然而,它们遭受这两个组件之间的接口内的指数计算复杂性,其中子符号学习模型缺乏直接监督,并且符号模型缺乏准确的输入事实。因此,他们中的大多数人假设存在一个强大的符号知识库,只学习感知模型,而避免了一个关键问题:知识来自哪里?本文提出了一种结合溯因和归纳的溯因元解释学习方法($Meta_{Abd}$),用于从原始数据中学习神经网络和归纳逻辑理论。实验结果表明,$Meta_{Abd}$不仅在预测精度和数据效率方面优于同类系统,而且还能诱导出逻辑程序,这些逻辑程序可以作为背景知识在后续的学习任务中重复使用。据我们所知,$Meta_{Abd}$是第一个可以从头开始共同学习神经网络并通过谓词发明归纳递归一阶逻辑理论的系统。
2021-05-20 cs.AI cs.LG
Learning to learn generative programs with Memoised Wake-Sleep
MIT(麻省理工学院)
我们研究了一类神经符号生成模型,其中神经网络既用于推理,又作为先验的符号,数据生成程序。作为生成模型,这些程序以自然可解释的形式捕捉组成结构。为了解决将程序归纳作为学习的“内部循环”的挑战,我们提出了记忆唤醒-睡眠(MWS)算法,该算法通过显式存储和重用推理网络在整个训练过程中发现的最佳程序来扩展唤醒睡眠。我们使用MWS在三个具有挑战性的领域学习准确,可解释的模型:基于笔划的字符建模,元胞自动机和少样本学习在一个新的数据集的真实世界的字符串概念。
2020-07-22 cs.AI cs.LG
Probabilistic Neural Programs
University of Notre Dame(圣母大学);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
我们提出了概率神经程序,程序归纳的框架,允许灵活的规范的计算模型和推理算法,同时使使用深度神经网络。概率神经程序将用于指定神经网络的计算图与用于加权非确定性选择的运算符相结合。因此,程序既描述了决策的集合,也描述了用于做出每个决策的神经网络架构。我们评估我们的方法在一个具有挑战性的图问答任务,概率神经程序正确执行近两倍的程序作为基线模型。
2016-12-02 cs.AI cs.LG cs.NE
Policy Induction: Predicting Startup Success via Explainable Memory-Augmented In-Context Learning
University of Oxford(牛津大学);Vela Research
本文提出一种基于记忆增强大语言模型和上下文学习的透明投资决策框架,通过将自然语言策略嵌入提示并迭代优化,在极少监督下将初创企业成功预测精度提升至随机猜测的20倍以上、顶级风投的7.1倍。
2025-06-04 cs.AI cs.LG
Compositional diversity in visual concept learning
New York University(纽约大学)
本文研究人类在视觉概念学习中的组合泛化能力,提出贝叶斯程序归纳模型和神经符号程序归纳模型,在少样本分类与生成任务中揭示人类和模型如何从已有部件组合出新概念并产生多样化行为。
2023-05-30 cs.AI cs.CV cs.LG
Pretrain on Small Synthetic Data, Scale Large for Free: Symmetry-Aware Foundation Model for Logic Rule Induction
Institute of Science Tokyo(东京科学大学)
该研究提出一种感知对称性的逻辑规则归纳基础模型,通过构造强制对称性将小型合成数据预训练的Neural Rule Inducer扩展至更大模式,提升了规则的可迁移性与保真度。
2026-08-04 cs.AI cs.LG cs.LO
RuleKit: A Comprehensive Suite for Rule-Based Learning
Institute of Informatics, Silesian University of Technology(西里西亚工业大学信息学院);Silesian University of Technology(西里西亚工业大学)
基于规则的模型通常用于数据分析,因为它们将可解释性与预测能力相结合。我们提出RuleKit,一个多功能的规则学习工具。基于顺序覆盖归纳算法,它适用于分类,回归和生存问题。用户引导的归纳的存在便于验证关于预期的或感兴趣的数据依赖性的假设。强大而灵活的实验环境允许直接研究不同的诱导方案。可以通过RapidMiner插件或R包以批处理模式进行分析。为了方便起见,还提供了一个文档化的Java API。该软件在GitHub上以GNU AGPL-3.0许可证公开提供。
2019-08-02 cs.AI cs.IR cs.LG