Dagstuhl研讨会：归纳规划及其应用

Dagstuhl研讨会17382归纳规划的方法与应用编辑1，Stephen H.Muggleton2和Rishabh Singh31德国班贝格大学，ute. uni-bamberg.de2英国伦敦帝国理工学院，s. imperial.ac.uk3Microsoft Researchrishabh@csail.mit.edu摘要本报告记录了Dagstuhl研讨会17382“归纳编程的方法和应用”的计划和成果在简短介绍了归纳编程研究的最新技术水平之后，概述了介绍性教程、讲座、程序演示和讨论组的结果。研讨会2017年9月17http://www.dagstuhl.de/173821998年ACM主题分类I.2.2自动程序设计、程序综合关键词和短语归纳程序合成，归纳逻辑编程，概率编程，最终用户编程，类人计算数字对象标识符10.4230/DagRep.7.9.86与Sebastian Seufert合作编辑1执行摘要乌特·施密德许可证Creative Commons BY 3.0未移植许可证© 乌特·施密德归纳编程（IP）解决了从不完整的信息（如输入输出示例，约束，计算轨迹，演示或解决问题的经验）自动或半自动生成计算机程序的问题。生成的程序也就是说，归纳编程可以被视为机器学习的一种特殊方法。 与标准机器学习相比，只需要少量的训练示例。此外，学习的假设被表示为逻辑或功能程序，也就是说，它们在符号层面上表示，因此是可检查和可理解的[17，8，18]。另一方面，归纳程序设计是一种特殊的程序综合方法。它补充了演绎和转换方法[20，14，2]。在合成人类难以理解的特定算法细节的情况下，可以使用归纳推理从用户提供的数据（如测试用例）或从正式规范自动导出的数据中生成程序候选人[16]。自六十年代后期以来，归纳程序合成一直是人工智能研究人员的兴趣[1]。一方面，复杂的智力认知过程中涉及的生产程序代码，满足一定的规格进行了调查，另一方面的方法和技术，自动化的程序开发过程的一部分进行了探索。归纳编程技术最相关的应用领域之一是最终用户编程[3，12，4]。例如，Microsoft Excel插件Flashfill从用户行为的一小组观察中合成程序[8，7，6]。相关除非另有说明，否则本报告的内容均采用Creative CommonsBY 3.0 Unported许可协议进行许可。归纳编程的方法和应用，Dagstuhl报告，第7卷，第9期，pp. 86马格尔顿和里沙布·辛格达格斯图尔报告SchlossDagstuhl-斯蒂芬⋅ Muggleton，Ute Schmid，Rishabh Singh871 7 3 8 2应用程序是在过程中挖掘和数据争吵[11]。归纳编程通常提供了强大的方法来从关系数据中学习[15，13]，并在自主智能代理的背景下从观察中学习[10，17]。此外，归纳编程可以应用于教学编程的背景下[19，21]。最新趋势和应用2013年举办了第一届Dagstuhl归纳式方案编制方法和应用研讨会，从中可以看出以下趋势将不同的归纳编程方法结合起来，以利用它们的互补优势。新的归纳编程方法基于适应和使用成熟的技术，如SAT求解。将归纳编程应用于应用，例如在电子表格或Web编程中的自动字符串操作领域。应用归纳编程的概念学习结构概念的认知模型第一次达格斯图尔研讨会的主要成果之一是在ACM通讯[8]上的联合出版物，其中描述了这些趋势和首次应用和结果在2015年的研讨会上，确定了以下其他趋势：归纳编程方法的评估归纳程序设计在程序设计教学中的应用。归纳编程是人类归纳学习的模型第二次研讨会的主要成果是：（1）在《人工智能杂志》上发表了关于评估解决智能测试问题根据第二次研讨会的结果，第三次研讨会的重点是以下方面：识别归纳编程对机器学习研究和机器学习应用的具体贡献，特别是识别归纳编程方法比标准机器学习方法（包括深度学习）更适合的问题建立评估归纳编程方法的标准，并与其他机器学习方法进行比较，并提供一组基准问题。讨论归纳编程在最终用户编程和编程教育中的当前应用，并确定进一步的相关应用领域。在归纳学习和归纳编程的认知科学研究之间建立更强的联系在研讨会上，我们汇集了来自计算机科学不同领域的研究人员第1页https://uclmr.github.io/nampi/8817382- 以及对归纳学习以及计算机编程教学感兴趣的认知心理学研究人员。此外，来自工业界的与会者介绍了归纳编程的当前和有远见的应用。研讨会以讲座式的演讲开始，介绍了归纳编程的四种主要方法：归纳函数编程，归纳逻辑编程，归纳概率逻辑编程和示例编程。讲座涵盖了IP算法的当前发展，具有挑战性的应用此外 ，还提 供了几 个系统 恶魔和 教程：Igor和EasyIgor（ Sebastian Seufert和UteSchmid），MagicHaskeller（片山进），Sketch（Armando Solar-Lezama），PROSE（Oleksandr Polozov），Slippover（Fabrizio Riguzzi）和TaCLe（Luc De Raedt）。研讨会期间，工作组确定并进一步讨论了以下专题如何确定背景知识的相关性以减少搜索？将IP与其他类型的机器学习，特别是深度学习相结合？数据争用作为应用程序的退出区域被确定为相关的其他主题是异常检测、噪声、鲁棒性以及基于非示例的交互（例如，自然语言）。结束语和未来计划在总结部分，我们收集了问题的答案“What最突出的答案是提供系统，数据集（通过IP网页2）比较系统常用词汇表，其他人尝试的应用程序工作：绘图问题，字符串转换，通用人工智能挑战，基准测试starexec，学习机器人策略，语法学习什么是归纳编程开放题正如我们提出的大IP挑战：一个IP程序应该发明一个算法，在一个严肃的杂志上发表（例如，整数因子分解算法）或赢编程比赛！引用1A. W. Biermann，G. Guiho和Y.科德拉托夫，编辑。自动程序构造技术麦克米伦，纽约，1984年。2拉斯提斯拉夫·博迪克和艾米娜·托拉克。用约束求解器合成程序InCAV，page 3，2012.3A.塞弗编辑看我做什么：通过演示编程。麻省理工学院出版社，剑桥，马萨诸塞州，1993年.4Allen Cypher，Mira Dontcheva，Tessa Lau，and Jeffrey Nichols，editors. 不需要代码：给用户工具来改造网络。Elsevier，2010年。2www.inductive-programming.org斯蒂芬⋅ Muggleton，Ute Schmid，Rishabh Singh891 7 3 8 25Flener和U.施密特 归纳编程。 In C. Sammut和G.韦伯，编辑们，机器学习百科全书，第537Springer，2010.6苏米特·古尔瓦尼使用输入输出示例自动化电子表格中的字符串处理。第38届程序设计语言原理研讨会。ACM，2011年。7Sumit Gulwani ， William R. 哈 里 斯 和 里 沙 布 · 辛 格 电 子 表 格 数 据 操 作 使 用 示 例 。Communications of the ACM，55（8）：97-105，2012.8放大图片作者：Sumit Gulwani，José Hernán-Orallo，Emanuel Kitzelmann，StephenH.Muggleton，Ute Schmid和Benjamin G.佐恩归纳编程与现实世界相遇。ACM的通信，58（11）：90-99，2015。9José Hernán-Orallo，Fernando Martínez-Plumed，Ute Schmid，Michael Siebers，andDavid L Dowe.智能测试问题的计算机模型：进展与应用。人工智能，230：7410P. Langley和D.崔物理代理的统一认知架构第二十一届全国人工智能会议论文集，波士顿，MA，2006年。Press.11Vu Le和Sumit Gulwani Flashextract：一个通过示例进行数据提取的框架。ACM SIGPLAN Notices，49（6）：54212亨利·利伯曼，编辑。你的愿望就是我的命令：通过示例编程。摩根·考夫曼，旧金山，2001年。13D. Lin，E. Dechter，K.埃利斯，J.B. Tenenbaum和S.H.玛格尔顿单次函数归纳的偏差重构。第23届欧洲人工智能会议（ECAI 2014），第525-530页，阿姆斯特丹，2014年。Press.14佐哈尔·曼纳和理查德·华丁格程序综合的演绎方法 ACMTransactions on ProgrammingLanguages and Systems，2（1）：90 -121，1980.15斯蒂芬⋅ Muggleton，Dianhuan Lin，Alireza Tamaddoni-Nezhad.高阶并元数据的元解释学习：再论谓词发明。Machine Learning，100（1）：4916Rolim，Gustavo Soares，Loris D'Antoni，Oleksandr Polozov，Sumit Gulwani，RohitGheyi，Ryo Suzuki，and Bjoern Hartmann.从例子中学习语法程序转换。arXiv预印本arXiv：1608.09000，2016.17Ute Schmid和Emanuel Kitzelmann。知识层次上的归纳规则学习认知系统研究，12（3）：23718Ute Schmid ， Christina Zeller ， Tarek Besold ， Alireza Tamaddoni-Nezhad ， andStephen Muggleton.断言发明如何影响人类的可理解性？在国际归纳逻辑编程上，第52-67页。Springer，2016.19Rishabh Singh，Sumit Gulwani和Armando Solar-Lezama。自动反馈生成介绍性编程任务。ACM SIGPLAN Notices，48（6）：1520Douglas R.史密斯从实例中综合LISP程序：综述。自动程序构造技术，第307-324页。麦克米伦，1984年。21克里斯蒂娜·泽勒和尤特·施密德。 自动生成类似的问题，以帮助解决智能导师系统的书面减法的误解。 在2016年第24届基于案例推理国际会议上的计算类比研讨会上（ICCBR2016，亚特兰大，GA，2016年10月31日至11月2日）。90173822目录执行摘要UteSchmid86介绍性会谈归纳函数式编程简介UteSchmid92归纳逻辑编程斯蒂芬⋅ Muggleton马格尔顿...............................................................................................92概率逻辑程序设计简介LucDeRaedt吕克·德·雷德特数据转换与集成的实例编程RishabhSingh辛格93会谈概述BigLambda项目AwsAlbarghouthi94面向数据整理自动化的领域归纳LidiaContreras-Ochando94通过抽象和发明学习高阶逻辑程序安德鲁·克罗珀和斯蒂芬· H。Muggleton马格尔顿.............................................................95电子表格和表格数据LucDeRaedt吕克·德·雷德特ILP在序列归纳任务中的应用理查德·埃文斯96这个模型背后是什么塞萨尔·费里·拉米雷斯96通过实例与程序综合交互：围绕人类认知进行设计埃琳娜格拉斯曼97绘图员斯蒂芬⋅ 马格尔顿.................................................................................................................... 98面向ILP学习程序的超强机器学习可理解性斯蒂芬⋅ 马格尔顿.................................................................................................................... 98从观察中井上克基于MagicHaskeller的增量学习Agent片山进SUPERVASION项目DavidNievesCordones100程序设计不仅要有实例HilaPeleg100用SLIPCOVER实现FabrizioRiguzzi101Michalski Train领域中的人类学习斯蒂芬⋅ Muggleton，Ute Schmid，Rishabh Singh911 7 3 8 2UteSchmid102人工动物的学习与决策ClaesStranjarrd克拉斯·斯特朗诺德102学习遗忘MichaelSiebers迈克尔·西伯斯103神经程序综合RishabhSingh103工作组元知识与背景知识斯蒂芬⋅ Muggleton，Ute Schmid，Fabrizio Riguzzi，Susumu Katayama，AndrewCropper，Hila Peleg，Richard Evans.................................................................... 105将归纳编程与机器学习相Rishabh Singh，Oleksandr Polozov，Cesar Ferri Ramirez，Aws Albarghouthi，KatsumiInoue，Michael Siebers，Christina Zeller106数据管理IPFrankJäkel，Lidia Contreras-Ochando，Luc De Raedt，Martin Möhrmann参加者10892173823介绍性会谈3.1归纳函数式编程简介Ute Schmid（Universität Bamberg，DE）许可证Creative Commons BY 3.0未移植许可证© 乌特·施密德Ute Schmid、Emanuel Kitzelmann的联合工作Pierre Flener，Ute Schmid：“An introduction to inductive programming”，Artif. 内特尔 版本号：第29（1）卷，第29页。45URLhttp://dx.doi.org/10.1007/s10462-009-9108-7在这次演讲中，我们将简要介绍归纳函数编程具体来说，归纳函数式编程的历史的简要概述介绍了里程碑系统Thesys（Summers，1977）目前的发展重点放在我们自己的系统伊戈尔。3.2归纳逻辑编程斯蒂芬⋅ Muggleton（Imperial College London，GB）许可证Creative Commons BY 3.0未移植许可证© 斯蒂芬⋅ 马格尔顿主要参考Stephen H. Muggleton：“元解释性学习：成就和挑战（邀请论文）”，在Proc. of the Rules andReasoning - International Joint Conference，RuleML+RR 2017，伦敦，英国，2017年7月12日至15日，Proceedings，Lecture Notes in Computer Science，Vol. 10364，pp. 1- 6 ， S p r i n g e r ， 2 0 1 7 年 。URLhttp://dx.doi.org/10.1007/978-3-319-61252-2_1元解释学习（MIL）是一种新的归纳逻辑编程技术，旨在支持递归定义的学习MIL的一个强大而新颖的方面是，当学习谓词定义时，它会自动引入子定义，允许分解为可重用部分的层次结构。MIL基于Prolog元解释器的改编版本。通常，这样的元解释器通过反复获取一阶Prolog子句来导出证明相比之下，一个元解释学习器额外地获取高阶元规则，其头部与目标相统一，并保存所产生的元替换以形成程序。本次演讲将概述这一新领域的理论和实现进展，包括在逻辑程序的约束子集内学习图灵可计算函数的能力，贝叶斯元解释中概率表示的使用以及最大限度地减少元规则数量的技术。该讲座还将总结MIL的应用，包括学习常规和上下文无关的语法，从重复模式的视觉表示中学习和优化递归机器人策略以及证明程序正确性的学习策略。演讲最后将指出在这一新领域仍有待解决的许多挑战。斯蒂芬⋅ Muggleton，Ute Schmid，Rishabh Singh931 7 3 8 23.3概率逻辑程序设计Luc De Raedt（KU Leuven，BE）许可证Creative Commons BY 3.0未移植许可证© 吕克·德·雷德Luc De Raedt，Angelika Kimmig的联合作品Luc De Raedt，Angelika Kimmig：“Probably（logic）programming concepts”，Machine Learning，Vol. 100（1），pp. 2015年5网址http://dx.doi.org/10.1007/s10994-015-5494-z在这个介绍性的演讲中，简要介绍了概率编程原理。它围绕着Sato的分布语义和概率编程语言Problog。3.4数据转换与集成的实例编程Rishabh Singh（微软研究院许可证Creative Commons BY 3.0未移植许可证© 里沙布·辛格在这次演讲中，我将简要总结过去在使用版本空间代数构建高效的示例编程（PBE）系统以完成数据处理任务方面的一些工作[3]。设计这样的PBE系统有四个关键部分：1）设计用于构造假设空间的表达性和简洁的特定领域语言（DSL），2）设计高效的数据结构以简洁地表示多项式空间中的指数数量的程序，3）学习DSL中符合用户提供的一组输入-输出示例的一组一致程序的学习算法，以及最后4）用于选择最可能的程序的排名然后，我将介绍一些我们在语义数据转换[2]、输入驱动数据维护[1]和Web源数据集成[4]领域的类似方法基础上构建的最新系统。引用1里沙布·辛格BlinkFill：Semi-supervised Programming By Example for Syntactical StringTransformations（英语：BlinkFill：Semi-supervised Programming By Example forSyntactical String Transformations）PVLDB 9（10）：816-827（2016）2Rishabh Singh，Sumit Gulwani.使用示例转换电子表格数据类型。POPL 2016：343-3563Sumit Gulwani，William R.哈里斯，我是里沙布·辛格。电子表格数据操作使用示例。Commun. ACM 55（8）：97-105（2012）4吉瓦娜·伊娜拉和里沙布·辛格WebRelate：使用示例将Web数据与电子表格集成。POPL20189417382dates.domf&&f\a-> extractDayCardinal a图1系统功能。一旦用户提供了输入/输出示例和域（DBBK），系统就尝试诱导要应用的可能的变换4会谈概述4.1BigLambda项目Aws Albarghouthi（美国威斯康星大学麦迪逊分校）许可证Creative Commons BY 3.0未移植许可证© 奥斯·阿尔巴古蒂在这次演讲中，我将介绍BigLambda项目的各个部分，该项目旨在从示例中综合数据分析程序。首先，我将讨论BigLambda系统以及它如何合成可以并行执行的MapReduce风格的程序。其次，我描述了如何通过观察API的测试运行来提取合成域的域知识第三，我将描述未来的问题，涉及在隐私约束下合成程序4.2面向数据整理自动化的领域归纳Lidia Contreras-Ochando（西班牙瓦伦西亚技术大学许可证Creative Commons BY 3.0未移植许可证© 利迪亚·孔特雷拉斯-奥昌多Lidia Contreras-Ochando、César Ferri、José Hernáníz-Orallo、Susumu Katayama、FernandoMartínez-Plumed、María José Ramírez-Quintana的联合工作Lidia Contreras-Ochando，Cesar Ferri，José Hernán-Orallo，Fernando Martínez-Plumed，MaríaJosé Ramírez-Quintana，Susumu Katayama：“Domain specific induction for data wranglingautomation（Demo）"，Automatic Machine Learning Workshop（AutomML）@ICML 2017，Sidney，Australia，2017.URLhttp://users.dsic.upv.es/ flip/papers/AutoML_ICML2017.pdf在数据科学过程中，数据争吵是涉及转换数据、清理数据集并将它们组合以创建新数据集的步骤，这一步骤可能会消耗高达80%的项目时间[1]。自动化数据处理过程对于减少我们项目的时间和成本至关重要我们解决这个问题的建议包括使用具有通用声明性语言的通用归纳编程学习系统，使用定义特定领域背景知识的适当库[2]。总体思路是自动化将数据从一种格式转换为另一种格式的过程，这取决于数据域，并使用MagicHaskeller作为归纳编程系统，只有一个或几个示例（图1）。 我们的方法是能够解决几个问题，通过使用正确的域独立的数据格式。致谢。这项工作得到了欧盟（FEDER）和西班牙MINECO项目TIN 2015-69175-C4-1-R（ LOBASS ） 以 及 GeneralitatValenciana （ 参 考 号 PROMETEOII/2015/013（SmartLogic））的部分支持。Lidia Contreras得到了FPU-ME资助FPU 15/03219的支持。魔术师输入输出“八六年三月二十九日““74-03-31”“99/12/13““1996年2月11日”“2017年5月31日““八五年八月二十五日“输入输出“八六年三月二十九日““二十九”“74-03-31”“三十一”“99/12/13““1996年2月11日”“2017年5月31日“输入输出“八六年三月二十九日““二十九”“74-03-31”“三十一”“99/12/13““十三”“1996年2月11日”“十一”斯蒂芬⋅ Muggleton，Ute Schmid，Rishabh Singh951 7 3 8 2引用1斯坦伯格，D.如何多时间需要到被花制备数据为分析？https://info.salford-systems.com/blog/bid/299181/分析数据需要花费多少时间2孔特雷拉斯-奥昌多湖和Martínez-Plumed，F.和Ferri，C.and Hernán-Orallo，J. andRamírez-Quintana，M.J. 数据整理自动化的通用归纳编程。AI4DataSci@NIPS 2016，2016.4.3通过抽象和发明学习高阶逻辑程序安德鲁·克罗珀（英国伦敦帝国理工学院）和斯蒂芬·H。Muggleton（Imperial CollegeLondon，GB）许可证Creative Commons BY 3.0未移植许可证©AndrewCropper和Stephen H. 马格尔顿作 者 ： Andrew Cropper ， Stephen H. Muggleton ： “LearningHigher-Order Logic ProgramsthroughAbstractionandInvention”，inProc.oftheTwenty-FifthInternational Joint Conference on Artificial Intelligence ， IJCAI 2016 ， NewYork，NY，USA，9-15 July 2016，pp. 1418 -1424年，出版社：JICAI/AAAI Press，2016.网址http://www.ijcai.org/Abstract/16/204人工智能中的许多任务都需要设计复杂的程序和表示，无论是对机器人编程，设计游戏程序，还是进行文本或视觉转换。本文[1]探索了一种新的归纳逻辑编程方法，可以从示例中学习此类程序。为了降低复杂性的学习程序，从而寻找这样的程序，我们引入高阶操作，涉及交替的抽象和发明。抽象描述使用包含高阶谓词变量的逻辑程序定义。本发明涉及对在抽象中使用的谓词变量的定义的构造。抽象的使用扩展了元解释学习框架，并通过使用用户可扩展的高阶运算符集（如map、until和ifthenelse）来支持。使用这些操作符减少了表达程序目标类所需的文本复杂性我们提供的样本复杂度结果表明，该方法导致达到高预测精度所需的示例数量减少，以及整体学习时间的显着减少。我们的实验表明，在所有情况下，提高了准确性和减少了学习时间。我们相信，本文是第一次在文献中，以证明效率和准确性的优势，涉及使用高阶抽象。引用[1] Andrew Cropper 和Stephen H. 玛格尔顿通过抽象和发明学习高阶逻辑程序 SubbaraoKambhampati，编辑，第二十五届国际人工智能联合会议论文集，IJCAI 2016，美国纽约州纽约市，2016年7月9日至15日，第1418出版社：JICAI/AAAI Press，2016.96173824.4电子表格和表格数据Luc De Raedt（KU Leuven，BE）许可证Creative Commons BY 3.0未移植许可证© 吕克·德·雷德Samuel Kolb，Sergey Paramonov，Tias Guns，Luc De Raedt的联合作品Samuel Kolb，Sergey Paramonov，Tias Guns，Luc De Raedt：“Learning constraints in spreadsheets andtabular data”，Machine Learning，Vol. 106（9-10），pp.1441URLhttp://dx.doi.org/10.1007/s10994-017-5640-x电子表格、逗号分隔值文件和其他表格数据表示形式今天得到然而，编写、维护和识别表格数据和电子表格的良好公式可能非常耗时且容易出错。我们调查的约束（公式和关系）在原始表格数据的自动学习在无监督的方式。我们通过谓词和表达式来表示常见的电子表格公式和关系，这些谓词和表达式的参数必须满足约束的固有属性挑战在于自动推断数据中存在的约束集，而无需标记示例或用户反馈。这种方法是基于归纳编程。4.5ILP在序列归纳任务中的Richard Evans（Google DeepMind许可证Creative Commons BY 3.0未移植许可证© 理查德·伊文思我们描述了一个系统解决霍夫施塔特的“寻找哪里”的任务。这是一个归纳逻辑程序系统，它使用（广泛地）康德约束将其感知分组为持久对象，根据因果律随时间变化。该系统能够在“Seek Whence”域中实现人类水平的性能与Hofmann，Kitzelmann和Schmid [1]类似，我们避免了特定于域的算法，并专注于此任务的独立于域的解决方案我们主张，我们所使用的先验约束，灵感来自康德引用1Hofmann，J.，Kitzelmann，E.和Schmid，U.（2014年）。归纳程序综合在数列归纳中的应用--以IGOR 2为例。KI 2014：Advances in Artificial Intelligence，pp. 25-36. 斯普林格。4.6这个模型背后是什么Cesar Ferri Ramirez（西班牙瓦伦西亚技术大学许可证Creative Commons BY 3.0未移植许可证© 塞萨尔·费里·拉米雷斯Raül Fabra Boluda、César Ferri、José Hernán-Orallo、Fernando Martínez-Plumed、María José Ramírez-Quintana的联合工作机器学习被广泛用于与安全相关的应用程序或处理机密信息的应用程序。这些应用程序的例子是垃圾邮件检测，恶意软件分类，网络入侵检测.在许多情况下，数据斯蒂芬⋅ Muggleton，Ute Schmid，Rishabh Singh971 7 3 8 2可以被聪明的对手主动操纵这些对抗代理还可以尝试提取和模仿（可能是机密的）机器学习模型，旨在利用它们，并通过这种方式逃避检测和警报。许多已开发的操纵/攻击模型的方法都是基于技术的。这意味着这些方法已经被定义为考虑到它们知道机器学习技术的家族（决策树、神经网络等）。用来学习他们想要操纵的目标模型。在这项工作中，我们提出了一些方法来捕获模型（被视为黑盒）的信息。我们计划获得的信息是：家庭的学习技术，特征空间的不同成员的意义和可能存在的属性转换。我们的第一种方法是基于模仿目标模型，然后从模仿模型。我们通过应用元学习技术来提取元特征。我们还讨论了在陈述性模型中提取知识的可行性。我们希望从声明性模型中发现的细节的例子有：特征之间的关系模式的存在，模型中的递归模式，或者属性转换的存在，比如对复杂特征使用命题化。我们还讨论了从声明性模型中提取知识的可行性，例如特征之间的关系模式的存在，模型中的递归模式，或属性转换的存在（例如，复杂特征的命题化）。致谢。这项工作得到了欧盟（FEDER）和西班牙MINECO项目TIN 2015-69175-C4-1-R（ LOBASS ） 以 及 GeneralitatValenciana （ 参 考 号 PROMETEOII/2015/013（SmartLogic））的部分支持。4.7通过实例与程序综合交互：围绕人类认知进行Elena Glassman（美国加州许可证Creative Commons BY 3.0未移植许可证© 埃琳娜·格拉斯曼Elena Glassman，Gustavo Soares，Andrew Head，Ryo Suzuki，Lucas Figueredo，Bjoern Hartmann，LorisD'Antoni的联合作品Andrew Head，Elena Glassman，Gustavo Soares，Ryo Suzuki，Lucas Figueredo，LorisD'Antoni，BjörnHartmann：“Writing Reusable Code Feedback at Scale with Mixed-InitiativeProgram Synthesis”，in Proc. of the Fourth ACM Conference on Learning @Scale，L@S 2017，Cambridge，MA，USA，April 20-21，2017，pp. 89URLhttp://dx.doi.org/10.1145/3051457.3051467这次演讲的动机是最近的成功和挑战，在设计接口与示例驱动的合成后端，即，Miracle浏览器和固定器[Head等人，2017]。然后我解释变异理论，这是一个关于人类如何形成假设的久经考验的理论从例子中学习概念和规则。最后，我将讨论未来的界面如何帮助（1）用户准确地将程序教授给示例驱动的合成后端，以及（2）将这些学习过的程序反馈给用户。98173824.8绘图员斯蒂芬⋅ Muggleton（Imperial College London，GB）许可证Creative Commons BY 3.0未移植许可证© 斯蒂芬⋅ 马格尔顿抽象是人类学习和思考的一个基本和定义性属性。人类程序员使用抽象来定义有意义的变量、数据类型、过程、参数、条件和分层问题分解。本演示演示了使用Metagol_AI系统通过绘图进行编程的思想。我们假设一个人类老师在一个2D数组上绘制图表，一个元解释学习者使用来自Postscript绘图语言的原语来构建模仿绘图的程序它是假设程序的绘制符号，如一个L，从一个单一的例子。然后，抽象和发明机制可以用来学习数字，例如2、3或4，它们可以应用于L以产生L的多个实例然后，增量学习通过构建以前学习的程序来构建更大的程序。4.9面向ILP学习程序的超强机器学习可理解性斯蒂芬⋅ Muggleton（Imperial College London，GB）许可证Creative Commons BY 3.0未移植许可证© 斯蒂芬⋅ 马格尔顿Ute Schmid，Christina Zeller，Tarek Besold，Alireza Tamaddoni-Nezhad，Stephen Muggleton的联合作品主要参考文献Ute Schmid，Christina Zeller，Tarek Besold，Alireza Tamaddoni-Nezhad，Stephen Muggleton：“How Does Predicate Invention Affect Human Accuracy？"，在Proc. of the InductiveLogicProgramming -26th International Conference，ILP 2016，London，UK，September 4-6，2016，Revised Selected Papers，Lecture Notes in Computer Science，Vol. 10326，pp.52URLhttp://dx.doi.org/10.1007/978-3-319-63342-8_5在20世纪80年代，Michie根据两个正交的性能轴定义了机器学习：预测准确性和生成假设的可理解性。由于预测准确性很容易测量，而可理解性则不然，后来在20世纪90年代的定义，如米切尔的定义，倾向于使用一种仅基于预测准确性的一维机器学习方法，最终倾向于统计机器学习方法而不是符号机器学习方法。 在本报告中，我们提供了一个定义的可理解性的假设，可以估计使用人类参与试验。我们提出的实验结果测试人类的可理解性的逻辑程序学习和没有谓词发明。结果表明，可理解性的影响，不仅由所提出的程序的复杂性，但也通过匿名谓词符号的存在。斯蒂芬⋅ Muggleton，Ute Schmid，Rishabh Singh991 7 3 8 24.10从观察中Katsumi Inoue（日本东京国立信息学研究所许可证Creative Commons BY 3.0未移植许可证© 井上胜美本演讲中给出了从观察中学习的两种方法。一种是元水平溯因（MLA），另一种是从解释转换中学习（LFIT）。在MLA中，溯因是在元层面上进行的，使我们能够溯因规则和谓词/宾语发明。在LFIT中，关系动力学以状态转换规则的形式从系统的状态转换中学习。引用1Katsumi Inoue ， Koichi Furukawa ， Ikuo Kobayashi ， Hidetomo Nabeshima ：Discovering Rules by Meta-level Abduction ， in ： Post-Proceedings of ILP 2009 ，LNAI，Vol.5989，pp.49- 64，Springer（2010）.2Katsumi Inoue ， Andrei Doncesc