Индуктивное логическое программирование - Википедия - Inductive logic programming

Индуктивное логическое программирование (ILP) является подполем символический искусственный интеллект который использует логическое программирование как единообразное представление примеров, базовых знаний и гипотез. Учитывая кодировку известных фоновых знаний и набор примеров, представленных в виде логического база данных фактов, система ILP будет выводить гипотетическую логическую программу, которая влечет за собой все положительные и никаких отрицательных примеров.

Схема: положительные примеры + отрицательные примеры + жизненный опыт ⇒ гипотеза.

Индуктивное логическое программирование особенно полезно в биоинформатика и обработка естественного языка. Гордон Плоткин и Эхуд Шапиро заложил первоначальную теоретическую основу индуктивного машинного обучения в логической среде.^[1]^[2]^[3] Шапиро построил свою первую реализацию (систему вывода моделей) в 1981 году:^[4] а Пролог программа, которая индуктивно выводила логические программы из положительных и отрицательных примеров. Период, термин Индуктивное логическое программирование был впервые представлен^[5] в статье Стивен Магглетон в 1991 г.^[6] Магглетон также основал ежегодную международную конференцию по индуктивному логическому программированию, представил теоретические идеи изобретения предикатов, Обратное разрешение,^[7] и обратное следствие.^[8] Muggleton первым реализовал обратный вывод в ПРОГОЛ система. Период, термин "индуктивный"здесь относится к философский (т.е. предлагая теорию для объяснения наблюдаемых фактов), а не математический (то есть доказательство свойства для всех элементов упорядоченного множества) индукция.

Формальное определение

В жизненный опыт дается как логическая теория $B$ , обычно в виде Роговые оговорки используется в логическое программирование. положительный и отрицательный примеры даны как союз ${ displaystyle E ^ {+}}$ и ${ displaystyle E ^ {-}}$ незащищенных и отрицаемых земля литералы соответственно. правильная гипотеза $час$ является логическим предложением, удовлетворяющим следующим требованиям.^[9]

{ displaystyle { begin {array} {llll} { text {Necessity:}} & B & not models & E ^ {+} { text {Достаточность:}} & B land h & color {blue} { models} & E ^ {+} { text {Слабая согласованность:}} & B land h & not models & { textit {false}} { text {Сильная согласованность:}} & B land h land E ^ {-} & not models & { textit {false}} end {array}}}

"Необходимость"не накладывает ограничения на $час$ , но запрещает любое создание гипотез, если без нее можно объяснить положительные факты ".Достаточность"требуется любая выдвинутая гипотеза $час$ объяснить все положительные примеры ${ displaystyle E ^ {+}}$ ."Слабая консистенция"запрещает выдвижение любых гипотез $час$ что противоречит базовым знаниям $B$ ."Сильная консистенция"также запрещает выдвигать какие-либо гипотезы $час$ это несовместимо с отрицательными примерами ${ displaystyle E ^ {-}}$ , учитывая базовые знания $B$ ; это подразумевает "Слабая консистенция"; если не приводятся отрицательные примеры, оба требования совпадают. Джероски ^[10] требуется только "Достаточность"(там называется" Полнота ") и"Сильная консистенция".

Пример

Предполагаемые семейные отношения в разделе «Пример»

В следующем хорошо известном примере изучения определений семейных отношений используются сокращения

номинал : родитель

,

женщина : женский

,

Дау : дочь

,

грамм : Джордж

,

час : Хелен

,

м : Мэри

,

т : Том

,

п : Нэнси

, и

е : канун

.

Все начинается с базовых знаний (см. Рисунок)

{ displaystyle { textit {par}} (h, m) land { textit {par}} (h, t) land { textit {par}} (g, m) land { textit {par} }} (t, e) land { textit {par}} (n, e) land { textit {fem}} (h) land { textit {fem}} (m) land { textit {fem}} (п) земля { textit {fem}} (д)}

,

положительные примеры

{ Displaystyle { textit {дау}} (м, ч) земля { textit {дау}} (е, т)}

,

и тривиальное предложение $истинный$ для обозначения отсутствия отрицательных примеров.

Плоткина ^[11]^[12] "относительное наименьшее общее обобщение (rlgg)" подход к индуктивное логическое программирование будет использоваться для получения предложения о том, как формально определить дочернее отношение $Дау$ .

В этом подходе используются следующие шаги.

Релятивизируйте каждый положительный пример в буквальном смысле с полным базовым знанием:
${ displaystyle { begin {align} { textit {dau}} (m, h) leftarrow { textit {par}} (h, m) land { textit {par}} (h, t) земля { textit {par}} (g, m) land { textit {par}} (t, e) land { textit {par}} (n, e) land { textit {fem}} (h) land { textit {fem}} (m) land { textit {fem}} (n) land { textit {fem}} (e) { textit {dau}} (e , t) leftarrow { textit {par}} (h, m) land { textit {par}} (h, t) land { textit {par}} (g, m) land { textit {par}} (t, e) land { textit {par}} (n, e) land { textit {fem}} (h) land { textit {fem}} (m) land { textit {fem}} (n) land { textit {fem}} (e) end {align}}}$ ,
Конвертировать в пункт нормальная форма:
${ displaystyle { begin {align} { textit {dau}} (m, h) lor lnot { textit {par}} (h, m) lor lnot { textit {par}} (h , t) lor lnot { textit {par}} (g, m) lor lnot { textit {par}} (t, e) lor lnot { textit {par}} (n, e ) lor lnot { textit {fem}} (h) lor lnot { textit {fem}} (m) lor lnot { textit {fem}} (n) lor lnot { textit {fem}} (e) { textit {dau}} (e, t) lor lnot { textit {par}} (h, m) lor lnot { textit {par}} (h , t) lor lnot { textit {par}} (g, m) lor lnot { textit {par}} (t, e) lor lnot { textit {par}} (n, e ) lor lnot { textit {fem}} (h) lor lnot { textit {fem}} (m) lor lnot { textit {fem}} (n) lor lnot { textit {fem}} (е) конец {выровнено}}}$ ,
Анти-унифицировать каждый совместимый ^[13] пара ^[14] литералов:
- ${ displaystyle { textit {dau}} (x_ {me}, x_ {ht})}$ из ${ displaystyle { textit {dau}} (м, ч)}$ и ${ displaystyle { textit {dau}} (е, т)}$ ,
- ${ displaystyle lnot { textit {par}} (x_ {ht}, x_ {me})}$ из ${ displaystyle lnot { textit {par}} (ч, м)}$ и ${ displaystyle lnot { textit {par}} (т, е)}$ ,
- ${ displaystyle lnot { textit {fem}} (x_ {me})}$ из ${ Displaystyle lnot { textit {fem}} (м)}$ и ${ Displaystyle lnot { textit {fem}} (е)}$ ,
- ${ Displaystyle lnot { textit {par}} (г, м)}$ из ${ Displaystyle lnot { textit {par}} (г, м)}$ и ${ Displaystyle lnot { textit {par}} (г, м)}$ , аналогично для всех других литералов фоновых знаний
- ${ displaystyle lnot { textit {par}} (x_ {gt}, x_ {me})}$ из ${ Displaystyle lnot { textit {par}} (г, м)}$ и ${ displaystyle lnot { textit {par}} (т, е)}$ , и многие другие отрицательные литералы
Удалите все отрицательные литералы, содержащие переменные, которых нет в положительном литерале:
- после удаления всех отрицательных литералов, содержащих другие переменные, кроме ${ displaystyle x_ {меня}, x_ {ht}}$ , Только ${ displaystyle { textit {dau}} (x_ {me}, x_ {ht}) lor lnot { textit {par}} (x_ {ht}, x_ {me}) lor lnot { textit {fem}} (x_ {me})}$ остается вместе со всеми наземными литералами из фоновых знаний
Преобразование предложений обратно в форму Horn:
- ${ displaystyle { textit {dau}} (x_ {me}, x_ {ht}) leftarrow { textit {par}} (x_ {ht}, x_ {me}) land { textit {fem}} (x_ {me}) land ({ text {все основные факты о знаниях}})}$

Результирующая оговорка Хорна является гипотезой $час$ полученный методом rlgg. Игнорируя исходные знания, статья неофициально гласит: " ${ displaystyle x_ {меня}}$ называется дочерью ${ displaystyle x_ {ht}}$ если ${ displaystyle x_ {ht}}$ является родителем ${ displaystyle x_ {меня}}$ и ${ displaystyle x_ {меня}}$ женщина", что является общепринятым определением.

Касательно над требования, "Необходимость"было выполнено, потому что предикат $Дау$ не появляется в фоновых знаниях, что, следовательно, не может подразумевать какое-либо свойство, содержащее этот предикат, как в положительных примерах ".Достаточность"удовлетворяется вычисленной гипотезой $час$ , поскольку он вместе с ${ displaystyle { textit {par}} (h, m) land { textit {fem}} (m)}$ из базовых знаний, следует первый положительный пример ${ displaystyle { textit {dau}} (м, ч)}$ , и аналогично $час$ и ${ displaystyle { textit {par}} (t, e) land { textit {fem}} (e)}$ из фоновых знаний вытекает второй положительный пример ${ displaystyle { textit {dau}} (е, т)}$ . "Слабая консистенция"удовлетворен $час$ , поскольку $час$ выполняется в (конечном) Структура Herbrand описывается базовыми знаниями; аналогично для "Сильная консистенция".

Общее определение отношения бабушки, а именно. ${ displaystyle { textit {gra}} (x, z) leftarrow { textit {fem}} (x) land { textit {par}} (x, y) land { textit {par}} (y, z)}$ , не может быть изучен с использованием описанного выше подхода, поскольку переменная $у$ встречается только в теле предложения; соответствующие литералы были бы удалены на 4-м шаге подхода. Чтобы преодолеть этот недостаток, этот шаг необходимо изменить так, чтобы его можно было параметризовать с помощью различных буквальная эвристика после выбора. Исторически реализация GOLEM основана на подходе rlgg.

Система индуктивного логического программирования

Система индуктивного логического программирования - это программа, которая принимает в качестве входных логических теорий ${ displaystyle B, E ^ {+}, E ^ {-}}$ и выводит правильную гипотезу $ЧАС$ по теориям ${ displaystyle B, E ^ {+}, E ^ {-}}$ Алгоритм системы ILP состоит из двух частей: поиска гипотез и выбора гипотез. Сначала выполняется поиск гипотезы с помощью процедуры индуктивного логического программирования, затем подмножество найденных гипотез (в большинстве систем одна гипотеза) выбирается алгоритмом выбора. Алгоритм выбора оценивает каждую из найденных гипотез и возвращает те, которые имеют наивысшую оценку. Пример функции оценки включает минимальную длину сжатия, когда гипотеза с наименьшим Колмогоровская сложность имеет наивысший балл и возвращается. Система ILP является полной, если и только если применимы любые теории входной логики. ${ displaystyle B, E ^ {+}, E ^ {-}}$ любая правильная гипотеза $ЧАС$ Относительно этих входных теорий можно найти с помощью процедуры поиска гипотез.

Поиск гипотез

Современные системы ILP, такие как Progol,^[6] Град ^[15] и Импаро ^[16] найти гипотезу $ЧАС$ используя принцип обратного следования^[6] для теорий $B$ , $E$ , $ЧАС$ : ${ displaystyle B land H models E iff B land neg E models neg H}$ . Сначала они строят промежуточную теорию $F$ называется мостовой теорией, удовлетворяющей условиям ${ displaystyle B land neg E models F}$ и ${ Displaystyle F models neg H}$ . Тогда как ${ Displaystyle H models neg F}$ , они обобщают отрицание теории моста $F$ с анти-следствием.^[17] Однако операция анти-следствия, поскольку она сильно недетерминирована, требует больших вычислительных затрат. Следовательно, поиск альтернативной гипотезы может быть проведен с использованием вместо этого операции обратного подчинения (анти-подчинения), которая менее недетерминирована, чем анти-влечение.

Возникают вопросы полноты процедуры поиска гипотезы конкретной системы ПДОДИ. Например, процедура поиска гипотезы Прогола на основе правила вывода обратного следования не завершается Пример Ямамото.^[18] С другой стороны, Imparo завершается как процедурой защиты от вовлечения ^[19] и его расширенное обратное отнесение ^[20] процедура.

Реализации

1BC и 1BC2: наивные байесовские классификаторы первого порядка:
ACE (комбинированный двигатель)
Алеф
Атом
Claudien
DL-Learner
DMax
FastLAS (быстрое обучение на основе наборов ответов)
ФОЛЬГА
Голем (ILP)
ILASP (Индуктивное изучение программ с набором ответов)
Imparo^[19]
Inthelex (Ученик дополнительной теории из примеров)
Лайм
Метагол
Mio
MIS (Система вывода моделей) Эхуда Шапиро
ПРОГОЛ
RSD
Warmr (теперь входит в ACE)
ProGolem ^[21]^[22]

Смотрите также

дальнейшее чтение

Muggleton, S .; Де Раэдт, Л. (1994). «Индуктивное логическое программирование: теория и методы». Журнал логического программирования. 19–20: 629–679. Дои:10.1016/0743-1066(94)90035-3.
Lavrac, N .; Дзероски, С. (1994). Индуктивное логическое программирование: методы и приложения. Нью-Йорк: Эллис Хорвуд. ISBN 978-0-13-457870-5. Архивировано из оригинал на 2004-09-06. Получено 2004-09-22.
Наглядный пример установления родства бабушек и дедушек Атомная система. http://john-ahlgren.blogspot.com/2014/03/inductive-reasoning-visualized.html

[1] Плоткин Г.Д. Автоматические методы индуктивного вывода Кандидатская диссертация, Эдинбургский университет, 1970.

[2] Шапиро, Эхуд Ю. Индуктивный вывод теорий из фактов, Отчет об исследовании 192, Йельский университет, факультет компьютерных наук, 1981. Перепечатано в J.-L. Лассез, Г. Плоткин (ред.), Computational Logic, MIT Press, Кембридж, Массачусетс, 1991, стр. 199–254.

[3] Шапиро, Эхуд Ю. (1983). Отладка алгоритмической программы. Кембридж, Массачусетс: MIT Press. ISBN 0-262-19218-7

[4] Шапиро, Эхуд Ю. "Система вывода модели. »Труды 7-й международной совместной конференции по искусственному интеллекту - Том 2. Morgan Kaufmann Publishers Inc., 1981.

[5] Люк Де Рэдт. Перспектива индуктивного логического программирования. Семинар по текущим и будущим тенденциям в логическом программировании, Шейкертаун, появится в Springer LNCS, 1999. CiteSeerX: 10.1.1.56.1790

[muggleton1995inverse-6] а ^б ^c Muggleton, S.H. (1991). «Индуктивное логическое программирование». Вычислительная техника нового поколения. 8 (4): 295–318. CiteSeerX 10.1.1.329.5312. Дои:10.1007 / BF03037089.

[7] Muggleton S.H. и Бунтин В. "Машинное изобретение предиката первого порядка путем обращения разрешения "," Труды 5-й Международной конференции по машинному обучению, 1988 г. "

[8] Muggleton, S.H. (1995). «Инвертирующий вывод и Прогол». Вычислительная техника нового поколения. 13 (3–4): 245–286. CiteSeerX 10.1.1.31.1630. Дои:10.1007 / bf03037227.

[9] Магглетон, Стивен (1999). «Индуктивное логическое программирование: проблемы, результаты и проблема изучения языка в логике». Искусственный интеллект. 114 (1–2): 283–296. Дои:10.1016 / с0004-3702 (99) 00067-3.; здесь: Раздел 2.1

[10] Джероски, Сашо (1996), «Индуктивное логическое программирование и обнаружение знаний в базах данных», в Файяд, США; Пятецкий-Шапиро, Г .; Smith, P .; Утурусами Р. (ред.), Достижения в области обнаружения знаний и интеллектуального анализа данных, MIT Press, стр. 117–152.; здесь: Раздел 5.2.4

[11] Плоткин, Гордон Д. (1970). Мельцер, Б .; Мичи, Д. (ред.). «Заметка об индуктивном обобщении». Машинный интеллект. 5: 153–163.

[12] Плоткин, Гордон Д. (1971). Мельцер, Б .; Мичи, Д. (ред.). «Дальнейшее примечание об индуктивном обобщении». Машинный интеллект. 6: 101–124.

[13] то есть использование одного и того же предикатного символа и отрицательного / отмененного статуса

[14] в целом: $п$ -набор когда $п$ приведены положительные примеры литералов

[15] Рэй, О., Брода, К., и Руссо, А. М. (2003). Гибридное абдуктивное индуктивное обучение. В LNCS: Vol. 2835. Материалы 13-й международной конференции по индуктивному логическому программированию (стр. 311–328). Берлин: Springer.

[16] Кимбер, Т., Брода, К., и Руссо, А. (2009). Индукция при неудаче: изучение связанных теорий Хорна. В LNCS: Vol. 5753. Материалы 10-й международной конференции по логическому программированию и немонотонным рассуждениям (стр. 169–181). Берлин: Springer.

[17] Ёситака Ямамото, Кацуми Иноуэ и Кодзи Иванума. Обратное подчинение для полной пояснительной индукции. Машинное обучение, 86 (1): 115–139, 2012.

[18] Акихиро Ямамото. Какие гипотезы можно найти с обратным следствием? В индуктивном логическом программировании, страницы 296–308. Спрингер, 1997.

[kimber2009induction-19] а ^б Тимоти Кимбер. Изучение определенных и нормальных логических программ путем индукции при сбое. Кандидатская диссертация, Имперский колледж Лондона, 2012 г.

[20] Дэвид Тот (2014). Импаро завершается обратным отнесением. arXiv: 1407.3836

[21] Магглетон, Стивен; Сантос, Хосе; Тамаддони-Нежад, Алиреза (2009). «ProGolem: система, основанная на относительном минимальном обобщении» (PDF). ILP.

[22] Сантос, Хосе; Нассиф, Хусам; Пейдж, Дэвид; Магглетон, Стивен; Штернберг, Майк (2012). «Автоматическая идентификация особенностей взаимодействия белок-лиганд с использованием индуктивного логического программирования: пример связывания гексозы» (PDF). BMC Bioinformatics. 13: 162. Дои:10.1186/1471-2105-13-162. ЧВК 3458898. PMID 22783946.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]