归纳逻辑程序设计综述

戴望州; 周志华

doi:10.7544/issn1000-1239.2019.20180759

归纳逻辑程序设计综述

(计算机软件新技术国家重点实验室(南京大学) 南京 210023) (daiwz@lamda.nju.edu.cn)

基金项目: 国家重点研发计划项目(2018YFB1004300);国家自然科学基金项目(61751306)

详细信息

中图分类号: TP391
计量
- 文章访问数: 3287
- HTML全文浏览量: 19
- PDF下载量: 1478
出版历程
- 发布日期: 2018-12-31

A Survey on Inductive Logic Programming

(National Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210023)

摘要

摘要: 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.
- 机器学习 /
- 一阶逻辑 /
- 规则学习 /
- 归纳逻辑程序设计 /
- 概率归纳逻辑程序设计
Abstract: Inductive logic programming (ILP) is a subfield of symbolic rule learning that is formalized by first-order logic and rooted in first-order logical induction theories. The model learned by ILP is a set of highly interpretable first-order rules rather than black boxes; owing to the strong expressive power of first-order logic language, it is relatively easier to exploit domain knowledge during learning; the learned model by ILP can be used for modeling relationships between subjects, rather than predicting the labels of independent objects. However, due to its huge and complicated underlying hypothesis space, it is difficult for ILP to learn models efficiently. This paper tries to review most of the current researches in this area. Mainstream ILP approaches are introduced according to different categorizations of first-order logical induction theories. This paper also reviews the most recent progress in the ILP area, including ILP techniques based on second-order logical abduction, probabilistic inductive logic programming (PILP) and the ILP approaches that introduce differentiable components. This paper also introduces some representative applications of ILP approaches in practical problems, and then talks about its major challenges, and finally discusses about the prospects for future research directions.
- machine learning /
- first-order logic /
- rule learning /
- inductive logic programming (ILP) /
- probabilistic inductive logic programming (PILP)

HTML全文

参考文献(0)

施引文献(28)

期刊类型引用(15)

1.	叶进，谢紫琪，肖庆宇，宋玲，李晓欢. 数据中心网络中基于ELM的流簇大小推理机制. 计算机科学与探索. 2021(02): 261-269 . 百度学术
2.	林霄，姬硕，岳胜男，孙卫强，胡卫生. 面向跨数据中心网络的节点约束存储转发调度方法. 计算机研究与发展. 2021(02): 319-337 . 本站查看
3.	王金焱. 异构无线网络多路径流量调度算法研究. 常熟理工学院学报. 2021(02): 70-75 . 百度学术
4.	董金良，刘小伟，李海江. 基于蚁群优化的通信网络负荷信息分散协调调度. 水电与抽水蓄能. 2021(03): 68-71 . 百度学术
5.	韩茂玲. 复杂网络大规模数据流均衡调度方法. 成都工业学院学报. 2021(03): 38-42 . 百度学术
6.	武自强，周建涛，赵大明，柳林. 数据中心基于服务满足度的网络流避让方法. 计算机工程与应用. 2021(19): 116-122 . 百度学术
7.	时洋，文梅，费佳伟，张春元 . 一种基于DAG的网络流量调度器. 计算机研究与发展. 2021(12): 2798-2810 . 本站查看
8.	李文信，齐恒，徐仁海，周晓波，李克秋. 数据中心网络流量调度的研究进展与趋势. 计算机学报. 2020(04): 600-617 . 百度学术
9.	陈珂，刘亚志，王思晗. 基于流量特征的流调度策略研究综述. 计算机应用研究. 2020(10): 2889-2894 . 百度学术
10.	郑莹，段庆洋，林利祥，游新宇，徐跃东，王新. 深度强化学习在典型网络系统中的应用综述. 无线电通信技术. 2020(06): 603-623 . 百度学术
11.	柯文龙，王勇，叶苗，陈俊奇. Ceph云存储网络中一种业务优先级区分的多播流调度方法. 通信学报. 2020(11): 40-51 . 百度学术
12.	李维虎，张顶山，崔慧明，周龙，朱志挺，谢挺. 数据中心网络coflow调度机制结构构建及仿真. 电子测量技术. 2019(10): 78-81 . 百度学术
13.	康瑾，李革. 面向医院手术排程的智能规划算法研究. 信息技术. 2019(11): 37-41+45 . 百度学术
14.	孙超. 基于模糊反馈的共享网络远程数据控制仿真. 计算机仿真. 2019(10): 409-412+438 . 百度学术
15.	王远. 数据中心网络拥塞控制研究综述. 信息工程大学学报. 2019(06): 714-719 . 百度学术