归纳编程研讨会：方法与应用的程序和结果分析

→→→→Dagstuhl研讨会21192归纳规划的方法与应用编辑Andrew Cropper1，Luc De Raedt2，Richard Evans3和Ute Schmid41英国牛津大学，andrew. cs.ox.ac.uk2KU Leuven，BE，luc. cs.kuleuven.be3DeepMindrichardevans@google.com4德国班贝格大学，ute. uni-bamberg.de摘要本报告记录了Dagstuhl研讨会21192“归纳编程的方法和应用”的程序和结果。归纳编程（IP）的目标是从数据中归纳出计算机程序，通常是所需程序的输入/输出示例。IP感兴趣的研究人员来自计算机科学的许多领域，包括机器学习，自动推理，程序验证和软件工程。此外，知识产权有助于计算机科学以外的研究，特别是在认知科学，知识产权可以帮助建立人类归纳学习模型，并为智能导师系统提供方法在以往IP Dagstuhl研讨会成功的基础上（13502，15442，17382和19202），这个新版本的研讨会的目标是集中在IP方法，集成学习和推理，扩大IP方法适用于更复杂的现实世界的问题，并进一步探索IP的可解释人工智能（XAI）的潜力，特别是在互动学习方面。本报告中包含的扩展摘要显示了IP研究的最新进展。所附讨论会成果的简短报告还指出了知识产权不同方面之间有趣的相互关系和可能的新方向。研讨会2021年5月9日http://www.dagstuhl.de/211922012 ACM主题分类计算方法论人工智能;计算方法论机器学习;软件及其工程设计;以人为中心的计算人机交互（HCI）关键词和短语可解释机器学习，可解释人工智能，交互式学习，类人计算，归纳逻辑编程数字对象标识符10.4230/DagRep.11.4.20与Jaimovitch López，Gonzalo1执行摘要安德鲁·克罗珀Creative Commons BY 4.0国际许可协议© AndrewCropper，Luc De Raedt，Richard Evans，和Ute Schmid归纳编程（IP）的目标是提供从数据中归纳计算机程序的方法。具体来说，IP是从不完整的信息（如输入输出示例、演示或计算轨迹）自动（或半自动）生成计算机程序。除非另有说明，否则本报告的内容均采用Creative CommonsBY 4.0 International许可协议进行归纳编程的方法和应用，Dagstuhl报告，第11卷，第04期，页。20达格斯图尔报告SchlossDagstuhl-Andrew Cropper，Luc De Raedt，Richard Evans，和UteSchmid212 1 1 9 2数据，并在自主智能代理的背景下从观察中学习IP是机器学习的一种形式，因为IP系统应该在更多数据（即更多示例或经验）的情况下表现得更好。然而，与标准ML方法相比，IP方法通常只需要少量的训练示例。此外，诱导假设通常表示为逻辑或功能程序，因此可以由人类检查。从这个意义上说，IP是一种可解释的机器学习，它超越了其他规则学习方法（如决策树算法）的表达能力IP也是程序合成的一种形式。它补充了演绎法和转换法。当特定的算法细节很难确定时，IP可以用来从用户提供的数据（如测试用例）或从正式规范自动导出的数据中生成候选程序IP技术最相关的应用领域是最终用户编程和数据处理。本次研讨会是系列研讨会中的第五次随着最近对深度学习方法的兴趣，主要是端到端学习，人们已经认识到，对于实际应用，特别是在关键领域，数据密集型黑盒机器学习必须辅以有助于克服数据质量问题，训练数据的缺失或错误标记，以及提供学习模型的透明度和可理解性的方法为了满足这些要求，一方面，可解释人工智能（XAI）作为一个新的研究领域出现，另一方面，人们对将学习和推理结合在一起产生了新的兴趣这两个研究领域是2021年研讨会的重点此外，最近的发展，以扩大IP方法，更适用于复杂的现实世界领域已被考虑在内。基于第四次研讨会（19202）的成果，知识产权作为可解释人工智能（“XAI的知识产权”）的强大方法的潜力将IP方法和深度学习方法结合在一起有助于神经符号集成研究。虽然两年前（研讨会19202）的重点一直是知识产权作为可解释的替代模型，但在2021年研讨会上，不同解释对象的可解释性以及他们对不同类型解释（例如口头或基于实例的解释）的需求得到了考虑。对于许多现实世界的应用程序，有必要让人类作为教师参与机器学习模型的判断因此，研讨会的另一个主题是在交互式ML的新方法及其在自动化数据科学和人机联合决策中的应用22211922目录执行摘要安德鲁·克罗珀，吕克·德·雷德，理查德·埃文斯和乌特·施密德20岁会谈概述有益和有害的解释性机器学习放大图片作者：Mark Gromowski，Céline Hocquette，Stephen H. 玛格尔顿，尤特·施密德。 23基于知识的可解释链接分析的声明式框架MartinAtzmüller23从观察到的行为归纳推断人类问题解决策略贝伦斯和弗兰克·耶克尔24基于原始数据的溯因知识归纳戴望洲和Stephen H. Muggleton............................................................................................... 24从统计关系到神经符号AILucDe Raedt25归纳程序综合中的知识重构Sebastijan Dumancic，Andrew Cropper25论条件教学规模与最小课程ManuelGarcia-Piqueras和José Hernán-Orallo26知识产权与人类：从机器教学实例中学习GonzaloJaimovitch López，Cesar Ferri Ramirez，and José Hernán-Orallo26用基于图的规则挖掘分析海量生物医学数据以实现药物再利用Tomákákli27迈向强大、数据高效和可解释的深度学习PasqualeMinervini28元解释学习/ILP与认知人工智能研究进展斯蒂芬⋅ 马格尔顿....................................................................................................................29基于Near Miss方法JohannesRabold，Ute Schmid约翰内斯·拉博尔德30使用一阶波纹下降规则ClaudeSammut Claude Sammut超强的机器学习与解释性对话框UteSchmid31作为启发式搜索的广义规划JavierSegovia-Aguas32远程参与者33Andrew Cropper，Luc De Raedt，Richard Evans，和UteSchmid232 1 1 9 23会谈概述3.1有益和有害的解释性机器学习Lun Ai（Imperial College London，GB），Mark Gromowski，Céline Hocquette（ImperialCollege London，GB），Stephen H. Muggleton（Imperial College London，GB）和UteSchmid（Universität Bamberg，DE）Creative Commons BY 4.0国际许可协议© 放大图 片作 者 ：Mark Gromowski，Céline Hocquette，Stephen H. 乌特 ？施密德？马格尔顿主要参考文献Lun Ai，Stephen H. Muggleton，Céline Hocquette，Mark Gromowski，Ute Schmid：“有益和有害的解释性机器学习”，Mach。学着点，卷110（4），pp.695URLhttps://doi.org/10.1007/s10994-020-05941-0鉴于深度学习最近在人工智能中的成功，人们对机器学习理论的作用和解释的需求越来越感兴趣在这种情况下，一个独特的概念是MichieUSML被证明是一个可测量的增加人类的任务性能后，提供给最近的一篇论文证明了机器学习逻辑理论对分类任务的有益影响，但据我们所知，还没有现有的本文研究了机器学习理论在简单的两人游戏背景下的解释效果，并提出了一个基于认知科学文献的机器解释有害性识别框架。该方法涉及由两个可量化的界限组成的认知窗口，并得到了从人体试验中收集的经验证据的支持我们的定量和定性结果表明，人类学习的符号机器学习理论，满足认知窗口的帮助下，取得了显着高于人类自我学习的性能。结果还表明，人类学习的符号机器学习理论，未能满足这一窗口的帮助下，导致显着较差的性能比独立的人类学习。3.2基于知识的可解释链接分析的声明式框架Martin Atzmüller（Universität Osnabrück，DE）Creative Commons BY 4.0国际许可协议©马丁·阿茨米勒Martin Atzmüller、Cicek Guven、Dietmar Seipel的联合工作生成解释是人工智能和数据科学中的一个重要主题，目的是使方法和系统对人类来说更加透明，可解释和可理解。我们专注于链接分析：在这里，链接预测和异常链接发现是具有挑战性的，例如，在冷启动情况下或只有稀疏的历史数据可用时[2，3]。我们讨论了如何在声明式框架中应用答案集编程（ASP），用于（1）在功能丰富的网络中形式化知识增强的链接分析[3]，（2）使用ASP生成解释[1，4]。我们通过简单的链接预测器在真实世界的网络数据集上实现了这一点。2421192引用1Martin Atzmueller，Cicek Guven，Dietmar Seipel（2019）使用声明式程序转换生成基于ASP的链接分析的解释。国际声明式编程和知识管理应用会议（INAP 2019）。CoRR绝对值/1909.034042Martin Atzmueller和Cicek Guven（2019）对复杂交互网络的基于模型的异常链接分析的多视角视图，NPCS3Cicek Guven，Martin Atzmueller（2019）将答案集编程应用于基于知识的社交网络链接预测大数据领域的前沿4Cicek Guven，Dietmar Seipel，Martin Atzmueller（2020）将ASP应用于基于知识的链接预测 ， 并 在 特 征 丰 富 的 网 络 中 生 成 解 释 IEEE Transactions on Network Science andEngineering 8（2）：1305-13153.3从观察到的行为Thea Behrens（TU Darmstadt，DE）和Frank Jäkel（TU Darmstadt，DE）Creative Commons BY 4.0国际许可协议© Thea Behrens和FrankJäkel当人们解决数独问题时，他们可以应用许多不同的推理规则。在一系列的有声思维研究中，我们从参与者的行为和他们的口头表达中推断出这些规则在我们的研究中，一条通用规则就足以填满数独谜题的所有单元格，但我们仍然看到参与者在规则上有很多变化和灵活性从数据中，我们可以估计每个规则和每个参与者的偏好我们发现，这些偏好在参与者之间存在显著 规则和规则偏好一起形成了一个概率程序，它很好地描述了参与者的问题解决策略。不幸的是，在我们的研究中，观察到的行为本身不足以让我们推断出参与者使用的规则，我们不得不依靠有声思维数据。这些自然语言数据过于非结构化，无法作为可用归纳编程系统的输入。因此，我们开发了一个用户界面，解决数独，eletrons的所有信息，参与者使用时，他们应用的规则。我们希望这些新数据将允许一种更正式的方法来推断所观察到的行为背后的规则3.4基于原始数据的溯因知识归纳王周戴（英国伦敦帝国理工学院）和斯蒂芬H。Muggleton（Imperial College London，GB）Creative Commons BY 4.0国际许可协议© 戴望洲和Stephen H. 马格尔顿主要参考文献：戴望洲，Stephen H. Muggleton：“从原始数据中归纳出的外展知识”，CoRR，第abs/2010.03514卷，2020年。URLhttps://arxiv.org/abs/2010.03514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，试图利用数据驱动的机器学习，Andrew Cropper，Luc De Raedt，Richard Evans，和UteSchmid252 1 1 9 2知识驱动推理同时然而，它们在这两个组件之间的接口内遭受指数计算复杂性，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？在本文中，我们提出了溯因元解释学习（MetaAbd），它结合了溯因和归纳来学习神经网络，并从原始数据中联合归纳逻辑理论。实验结果表明，MetaAbd不仅在预测精度和数据效率方面优于比较系统，而且还可以诱导逻辑程序，这些程序可以在后续的学习任务中作为背景知识重复使用据我们所知，MetaAbd是第一个可以从头开始联合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。3.5从统计关系到神经符号AILuc De Raedt（KU Leuven，BE）Creative Commons BY 4.0国际许可协议© 吕克·德·雷德Luc De Raedt、Latijan Dumancic、Robin Manhaeve、Giuseppe Marra的联合作品主要参考文献Luc De Raedt，Latijan Dumancic，Robin Manhaeve，Giuseppe Marra：“ F r o m St a t i s t i c a lRe l a t i o n a l to N e u r o - S y m b o l i c A r t i f i c i a l In t e l l i g e n c e ” ， in P r o c . of th eTw e n t y - N i n t h In t e r n a t i o n a l J o i n t Co n f e r e n c e on A r t i f i c i a l In t e l l i g e n c e ，IJ C A I 20 2 0 ， pp . 4943 ijcai.org网址https://doi.org/10.24963/ijcai.2020/688神经符号和统计关系人工智能都集成了学习框架和逻辑推理。这项调查确定了这两个领域在七个不同方面的几个相似之处这些不仅可以用来描述和定位神经符号人工智能方法，而且还可以确定一些进一步研究的方向。3.6归纳程序综合鲁汶大学（KU Leuven，BE），牛津大学（University of Oxford，GB）Creative Commons BY 4.0国际许可协议©Antijan Dumancic，AndrewCropperRetijan Dumancic，Andrew Cropper，Tias Guns的联合作品主 要 参 考 文 献 ： Dumancic ， Tias Guns ， Andrew Cropper ： “Knowledge Refactoring for Inductive ProgramSynthesis”，Proceedings of the AAAI Conference on Artificial Intelligence，Vol. 35（8），pp. 7271 -7278，2021。URLhttps://ojs.aaai.org/index.php/AAAI/article/view/16893人类不断重组知识，以更有效地利用它。我们的目标是赋予机器学习系统类似的能力，以便它能够更有效地学习我们介绍的知识重构问题，其目标是重组学习者我们专注于归纳逻辑编程，其中的知识库是一个逻辑程序。 我们介绍克诺尔夫，一个系统，解决了重构问题，使用约束优化。我们评估我们的方法上的两个程序感应域：现实世界中的字符串变换和乐高结构的建设。我们的实验表明，从重构的知识中学习可以将预测精度提高四倍，并显着减少学习时间。26211923.7论条件教学规模与最小课程Manuel Garcia-Piqueras（卡斯蒂利亚-拉曼恰大学，ES）和José Hernán-Orallo（瓦伦西亚技术大学，ES）Creative Commons BY 4.0国际许可协议©Manuel Garcia-Piqueras和José Hernán-OralloJan Arne Telle，José Hernán-Orallo，Cèsar Ferri：“The teac hing size ： comp utab le teac hers andlear ner s for universal lan gu ages ”，Mac h . 学着点，卷108（8-9），pp.1653URLhttps://doi.org/10.1007/s10994-019-05821-2在一定的综合先验知识下，机器教学能够教授用通用语言表达的任何概念。最新的实验表明，存在比概念描述本身更短的指令集[1]。我们通过教学规模和概念复杂性为这些显著的实验结果划定了一个边界。此外，我们研究教学课程，并发现一个新的现象，我们称之为插入：某些先验知识产生更简单的兼容概念，这增加了我们要教的概念的教学规模此外，我们提供了一个算法，建立最佳课程的基础上避免干预。这些结果揭示了创新的课程设计策略，不仅适用于机器，也适用于动物和人类。引用1Telle，Jan Arne and Hernán-Orallo，José and Ferri，Cèsar.教学规模：通用语言的可计算教师和学习者，机器学习，108（8），16533.8知识产权与人类：从机器教学实例中学习Gonzalo Jaimovitch López（西班牙瓦伦西亚技术大学）、Cesar Ferri Ramirez（西班牙瓦伦西亚技术大学）和José Hernán-Orallo（西班牙瓦伦西亚技术大学Creative Commons BY 4.0国际许可协议© GonzaloJaimovitch López、Cesar Ferri Ramirez和José Hernán-Orallo主要参考文献Gonzalo Eduardo Jaimovitch López：“从机器教学生成的示例中比较机器学习和人类学习”，2020年。URLhttp://hdl.handle.net/10251/152771归纳编程已经被挑选出来作为一种重要的学习方法，其中背景知识和简单性先验一起发挥关键作用，从很少的例子中推断模式，包括算法模式。其他机器学习技术，尤其是深度学习，需要数千个（如果不是数百万个）示例才能得出相同的结论。这种二元性似乎受到了基于transformer的新的大规模模型的挑战 这些模型捕捉了大量用非常抽象的表示来描述知识，然后从很少的例子中做出推论，几乎不需要调整或重新训练特别是，大型语言模型已经显示出令人印象深刻的少量学习能力现在似乎有必要问一下这些模型可以捕获什么样的模式，以及它们在提示中需要多少示例我们将这个问题作为一个具有强先验的机器教学问题[1，2]，并测试语言模型是否可以从小的见证集学习简单的算法概念特别是，我们探索了几种GPT架构，归纳编程系统（归纳函数编程系统MagicHaskeller和归纳逻辑编程系统Louise）和人类在概念的复杂性和提供的示例数量方面的表现，以及他们的行为有多大分歧[3]。第一次联合分析，Andrew Cropper，Luc De Raedt，Richard Evans，和UteSchmid272 1 1 9 2机器教学和语言模型可以解决人工智能和机器学习的关键问题，例如是否可以从数据中提取强先验知识，特别是奥卡姆引用1Telle，J.一、Hernán-Orallo，J.，费里角（2019年）。教学规模：通用语言的可计算教师。Machine Learning，108（8），1653-1675.2Hernán-Orallo，J.，&Telle，J. A.（2020年）。期望中的有限而自信的教学：从无限概念类中取样。第24届欧洲人工智能会议（ECAI2020）3Jaimovitch López，G.E. （2020年）。从机器教学生成的示例中比较机器学习和人类学习（学位论文）。瓦伦西亚理工大学3.9用基于图的规则挖掘分析海量生物医学数据以实现药物再利用TomáKli（捷克布拉格经济大学Creative Commons BY 4.0国际许可协议©托马斯·克利什主要参考文献Václav Zeman，TomáKliyoung，Vojtech Svátek：“RDFRules：Making RDF rule mining easierand even more efficient”，Semantic Web，Vol. 12（4），pp.569网址https://doi.org/10.3233/SW-200413包含结构化数据的大型生物医学数据集可能包含对应对这一流行病有用的隐藏知识。在这次演讲中，我们尝试将基于图的规则挖掘系统应用于KG-Covid-19数据集[2]。这个RDF知识图是摄取多个专业知识来源（如DrugBank）以及从COVID-19研究文献中提取的结果，这些文献因其与药物再利用工作的相关性而被选中该数据集的发布版本包含377，482个节点和21，433，063条边。由于数据集的规模很大，我们最初选择了AMIE+规则挖掘算法，该算法比以前的方法快了几个数量级由于需要搜索高度特定的模式，我们最初尝试应用“香草”AMIE+并不成功，这是我们还尝试了AnyBURL [3]，它具有出色的性能，但也缺乏精细定义所需模式的可能性我们最终选择了RDFRules [5]，它是AMIE+的一组全面的扩展，其中还包括应用细粒度模式来约束搜索空间的可能性。使用RDFRules，即使在使用不到64 GB RAM的单台计算机上的完整KG-Covid-19数据集（没有元数据）上也可以找到支持率较低的规则。作为一个示例用例，我们描述了在2020年夏季至2020年秋季执行的挖掘任务，使用2020年春季发布的KG-Covid-19，如[4]中详细描述的。这项任务旨在寻找与ACE 1受体（UniProtKBID P12821）“分子相互作用”的药物，同时它们通过任意谓词与ACE 1受体（UniProtKB IDP12821）中间资源，其使用连接到ACE 2受体（UniProtKB ID Q9BYF1）的“与……相互作用”谓词。请注意，“分子相互作用”和“相互作用”是Biolink模型的谓词。因此，任务是找到符合以下RDFRules模式的规则：（Any> interacts_with> Q9BYF1>）[（Any>2821192⇒∧→<任何>任何>）]（任何>与P12821>分子相互作用>）。 这个任务在minsupp= 1的情况下执行，并使用常量进行挖掘，结果发现了一个逻辑规则（？b interacts_with> Q9BYF1>）（？a molecularly_interacts_with>？b）（？a molecularly_interacts_with> P12821>），其实例化导致五种药物。其中包括一种广泛使用的抗高血压药物最近的一项开放多中心随机临床试验显示，替米沙坦可通过抗炎作用降低SARS-CoV-2感染住院患者的死亡率和发病率[1]。我们的结论是，规则挖掘是一种可行的方法，在大型知识图中找到“掘金”。我们的工作是有限的，因为我们还没有探索使用基于嵌入的方法的可能性，我们还没有进行比较与更直接的方法分析图形数据。引用1Duarte，M.，Pelorosso，F.，尼科洛西湖N.，Salgado，M.五、Vetulli，H.，Aquieri，A.，... &罗斯林河P.（2021年）。替米沙坦治疗新冠肺炎患者：一项开放、多中心、随机临床试验。EClinicalMedicine，37，100962.2里斯，J.T.，Unni，D.，Callahan，T. J.，卡佩莱蒂湖Ravanmehr，V.，碳，S.，...&芒格尔角J. （2021年）。KG-COVID-19：一个为COVID-19响应生成定制知识图的框架。Patterns，2（1），100155.3Meilicke ， C. ， Chekol ， M.W. ， Ruffinelli ， D. ， Stuckenschyst ， H. （ 2019 年 ） 。Anytime Bottom-Up Rule Learning for Knowledge Graph Completion知识图自下而上规则学习在IJCAI（pp. 3137-3143）。4Šimečková，J. Extrakce pravidel ze znalostních grafitches. 学士论文。经济大学，布拉格，2020年5泽曼、瓦茨拉夫、托马斯·克利什和沃伊塔什·斯瓦泰克。RDFRules：使RDF规则挖掘更容易，甚至更有效。语义网。20213.10迈向强大、数据高效和可解释的深度学习Pasquale Minervini（英国伦敦大学学院）Creative Commons BY 4.0国际许可协议©帕斯夸莱·米内尔维尼深度学习模型是一类机器学习模型，它使用多个处理层从原始输入中逐步提取更高级别的特征在过去的十年中，它已成为人工智能中最具影响力的研究领域之一，具有许多显着的商业重要应用。然而，深度学习模型在数据效率、分布外泛化、可解释性和复杂性方面仍然存在不足。我们讨论了克服这种限制的几种方法，通过增加其统计鲁棒性[1，2，3]，结合先验知识[4，5，6]，结合符号和子符号计算模型[7，8，9，10]，并开发更多的计算高效的神经模型[11，12，13]。引用1Joe Stacey ， Pasquale Minervini ， Haim Dubossarsky ， Sebastian Riedel ， TimRocktäschel ： Avoiding the Hypothesis-Only Bias in Natural Language Inference viaEncouragement AdversarialTraining. EMNLP（1）2020：8281-82912Johannes Welbl ， Pasquale Minervini ， Max Bartolo ， Pontus Stenetorp ， SebastianRiedel：Undersensitivity in Neural Reading Comprehension. EMNLP（发现）2020：1152-1165Andrew Cropper，Luc De Raedt，Richard Evans，和UteSchmid292 1 1 9 23瓦纳玛丽亚坎布鲁，布伦丹希林福德，帕斯夸尔米内尔维尼，托马斯卢卡西维茨，菲尔布伦森：让你的想法！不一致自然语言解释的对抗生成ACL 2020：4157-41654Pasquale Minervini ， Thomas Demeester ， Tim Rocktäschel ， Sebastian Riedel ：Adversarial Sets for Regularising Neural Link Predictors.UAI 20175Pasquale Minervini ， Luca Costabello ， Emir Muñoz ， Vít Novácek ， Pierre-YvesVanden-bussche：通过等价和反演公理正则化知识图嵌入。ECML/PKDD（1）2017：668-6836Pasquale Minervini，Sebastian Riedel：逆向调节神经NLI模型以整合逻辑背景知识。CoNLL 2018：65-747Leon Weber，Pasquale Minervini，Jannes Münchmeyer，Ulf Leser，Tim Rocktäschel：NLPro-log ： Reasoning with Weak Unification for Question Questioning in NaturalLanguage.沪ICP备16006661号-18Pasquale Minervini ， Matko Bosnjak ， Tim Rocktäschel ， Sebastian Riedel ， EdwardGrefen-stette ： Differentiable Reasoning on Large Knowledge Bases and NaturalLanguage.AAAI 2020：5182-51909Pasquale Minervini，Sebastian Riedel，Pontus Stenetorp，Edward Grefenstette，TimRock-täschel：端到端可微分证明中的学习推理策略。ICML 2020：6938-694910Erik Arakelyan，Daniel Daza，Pasquale Minervini，Michael Cochez：使用神经链接预测器进行复杂查询。ICLR 202111Yuxiang Wu，Sebastian Riedel，Pasquale Minervini，Pontus Stenetorp：EMNLP（1）2020：3029-303912Yuxiang Wu ， Pasquale Minervini ， Pontus Stenetorp ， Sebastian Riedel ： TrainingAdaptive Computation for Open-Domain Question Questioning with ComputationalConstraints. ACL 202113帕 特 里 克 ·S H. Lewis ， Yuxiang Wu ， Linqing Liu ， Pasquale Minervini ， HeinrichKüttler，Aleksandra Piktus，Pontus Stenetorp，Sebastian Riedel：PAQ：65 MillionProbably-Asked Questions and What You Can Do With Them.CoRR abs/2102.07033（2021）3.11元解释学习/ILP与认知人工智能研究进展斯蒂芬⋅ Muggleton（Imperial College London，GB）Creative Commons BY 4.0国际许可协议©斯蒂芬⋅ 马格尔顿Stephen Muggleton，Andrew Cropper，Latijan Dumancic，Richard Evans的联合作品主要参考文献：Andrew Cropper，Latijan Dumancic，Stephen H. Muggleton：“Turning 30：New Ideas inInductive Logic Programming ”，第29 届国际人工智能联合会议，IJCAI 2020，pp.4833 ijcai.org网址https://doi.org/10.24963/ijcai.2020/673归纳逻辑编程（ILP）是一种基于逻辑的机器学习。ILP的目标是归纳出一个假设（一个逻辑程序），概括给定的训练示例和背景知识。随着ILP年满30岁，我们调查了该领域的最新工作。在这篇综述中，我们关注（i）新的元级搜索方法，（ii）学习递归程序的技术(iv)使用不同的技术，特别是答案集编程和神经网络。最后，我们讨论了ILP目前的一些局限性，并讨论了未来的研究方向30211923.12基于Near Miss方法的归纳逻辑程序设计对比推理的生成Johannes Rabold（Universität Bamberg，DE），Ute Schmid（Universität Bamberg，DE）Creative Commons BY 4.0国际许可协议© Johannes Rabold，UteSchmidJohannes Rabold、Ute Schmid、Michael Siebers的联合工作在最近的研究中，机器学习模型的人类可理解的解释受到了很多关注。通常，解释是以模型简化或可视化的形式给出的然而，正如认知科学和早期人工智能研究所显示的那样，概念理解也可以通过将概念的给定实例与类似的反例对齐来提高将一个给定的实例与一个结构相似但不属于该概念的实例进行对比，突出了概念成员资格所必需的特征温斯顿（Winston，1970）提出了这种近乎失败的学习方法，作为关系领域学习的有效我们介绍了一个解释生成算法与归纳逻辑编程（GE NME）学习的关系概念。该算法从给定的一组实例中识别出近距离错过的实例，并根据它们与特定正实例的接近程度对其进行排名一个修改后的规则，它涵盖了近距离错过，但不是原来的情况下，作为一个解释。我们说明GE NME与著名的家庭域组成的亲属关系，视觉关系温斯顿拱门域和现实世界的域处理文件管理。我们还提出了一个心理实验，比较人类的偏好，基于规则的，基于实例的，和近错过的解释在家庭和拱门域。3.13使用一阶波纹下降规则Claude Sammut（UNSWCreative Commons BY 4.0国际许可协议©克洛德·萨穆特Claude Sammut，Colm Flanagan，Eric Martin，Michael Bain的联合作品主体的长期记忆可以分为三类：程序性、陈述性和情景性[4]。情景记忆的显着特征是它们存储特定事件的知识，包括上下文信息，如时间，位置和参与代理。智能体（如机器人）能够回忆起与刚刚观察到的事件相似的过去事件是有用的这里的问题是定义相似性以及如何检索相似事件。在许多基于案例的推理系统[3，6，5]中采用的典型方法是创建几何距离度量，其中事件空间中的维度是观察到的特征。当观察复杂时，设计诸如测量之类的变得困难，例如在诸如真实家庭或工作场所或搜索和救援行动等复杂环境中Flanagan [2]描述了一个系统，它学习为匹配过程，为每种类型的事件定制，并能够匹配结构化的对象描述。它关联一个Ripple-Down规则[1]Andrew Cropper，Luc De Raedt，Richard Evans，和UteSchmid312 1 1 9 2引用1Compton，P.和Kang，B.（2021年）。RIPPLE-DOWN RULES：机器学习的替代方案Chapman和Hall/CRC。2弗拉纳根角，澳-地（2021年）。认知机器人中的情节和语义记忆。 新南威尔士大学计算机科学与工程学院博士论文3Kolodner，J.（1993年）。案例推理。摩根·考夫曼圣马特奥4莱尔德，J.E.，Kinkade，K. R.，Mohan，S.，和Xu，J.Z.（2012年）。使用Soar认知架构的认知机器人。在第八届认知机器人国际会议上，（认知机器人研讨会，第二十六届人工智能会议（AAAI-12），第46-54页，多伦多。Press.5里斯贝克角和Schank，R.（1989年）。基于案例的推理。Erlbaum，Northvale，NJ.6Veloso，M.和Aamodt，A.，编辑（1995年）。基于案例的推理研