Decomposition, Merging, and Refinement Approach to Boost Inductive Logic Programming Algorithms

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F12%3A10129785" target="_blank" >RIV/00216208:11320/12:10129785 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007%2F978-3-642-33185-5_21" target="_blank" >http://link.springer.com/chapter/10.1007%2F978-3-642-33185-5_21</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-33185-5_21" target="_blank" >10.1007/978-3-642-33185-5_21</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Decomposition, Merging, and Refinement Approach to Boost Inductive Logic Programming Algorithms

Popis výsledku v původním jazyce

Inductive Logic Programming (ILP) deals with the problem of finding a hypothesis covering positive examples and excluding negative examples. It uses first-order logic as a uniform representation for examples and hypothesis. In this paper we propose a method to boost any ILP learning algorithm by first decomposing the set of examples to subsets and applying the learning algorithm to each subset separately, second, merging the hypotheses obtained for the subsets to get a single hypothesis for the completeset of examples, and finally refining this single hypothesis to make it shorter. The proposed technique significantly outperforms existing approaches.

Název v anglickém jazyce

Decomposition, Merging, and Refinement Approach to Boost Inductive Logic Programming Algorithms

Popis výsledku anglicky

Inductive Logic Programming (ILP) deals with the problem of finding a hypothesis covering positive examples and excluding negative examples. It uses first-order logic as a uniform representation for examples and hypothesis. In this paper we propose a method to boost any ILP learning algorithm by first decomposing the set of examples to subsets and applying the learning algorithm to each subset separately, second, merging the hypotheses obtained for the subsets to get a single hypothesis for the completeset of examples, and finally refining this single hypothesis to make it shorter. The proposed technique significantly outperforms existing approaches.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GBP202%2F12%2FG061" target="_blank" >GBP202/12/G061: Centrum excelence - Institut teoretické informatiky (CE-ITI)</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2012

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Lecture Notes in Computer Science

ISSN

0302-9743

e-ISSN

—

Svazek periodika

2012

Číslo periodika v rámci svazku

7557

Stát vydavatele periodika

DE - Spolková republika Německo

Počet stran výsledku

11

Strana od-do

184-194

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—