Generalisation through Negation and Predicate Invention

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F24%3A00581803" target="_blank" >RIV/67985807:_____/24:00581803 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1609/aaai.v38i9.28915" target="_blank" >https://doi.org/10.1609/aaai.v38i9.28915</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1609/aaai.v38i9.28915" target="_blank" >10.1609/aaai.v38i9.28915</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Generalisation through Negation and Predicate Invention

Popis výsledku v původním jazyce

The ability to generalise from a small number of examples is a fundamental challenge in machine learning. To tackle this challenge, we introduce an inductive logic programming (ILP) approach that combines negation and predicate invention. Combining these two features allows an ILP system to generalise better by learning rules with universally quantified body-only variables. We implement our idea in NOPI, which can learn normal logic programs with predicate invention, including Datalog programs with stratified negation. Our experimental results on multiple domains show that our approach can improve predictive accuracies and learning times.

Název v anglickém jazyce

Generalisation through Negation and Predicate Invention

Popis výsledku anglicky

The ability to generalise from a small number of examples is a fundamental challenge in machine learning. To tackle this challenge, we introduce an inductive logic programming (ILP) approach that combines negation and predicate invention. Combining these two features allows an ILP system to generalise better by learning rules with universally quantified body-only variables. We implement our idea in NOPI, which can learn normal logic programs with predicate invention, including Datalog programs with stratified negation. Our experimental results on multiple domains show that our approach can improve predictive accuracies and learning times.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GF22-06414L" target="_blank" >GF22-06414L: Analýza důkazů a automatická dedukce pro rekurzivní struktury</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2024

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 38th AAAI Conference on Artificial Intelligence

ISBN

978-1-57735-887-9

ISSN

2159-5399

e-ISSN

—

Počet stran výsledku

9

Strana od-do

10467-10475

Název nakladatele

AAAI Press

Místo vydání

Washington, DC

Místo konání akce

Vancouver

Datum konání akce

20. 2. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001241512400118