Context-Sensitive Refinements for Stochastic Optimisation Algorithms in Inductive Logic Programming

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F11%3A00185744" target="_blank" >RIV/68407700:21230/11:00185744 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.springerlink.com/content/w450n21140245x78/" target="_blank" >http://www.springerlink.com/content/w450n21140245x78/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/s10462-010-9181-y" target="_blank" >10.1007/s10462-010-9181-y</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Context-Sensitive Refinements for Stochastic Optimisation Algorithms in Inductive Logic Programming

Popis výsledku v původním jazyce

We describe a new approach to the application of stochastic search in Inductive Logic Programming (ILP). Contrary to traditional approaches we do not focus directly on evolving logical concepts. Instead, our refinement-based approach uses the stochasticoptimization process to iteratively adapt the initial working concept. It enables using available background knowledge both for efficiently restricting the search space and for directing the search. Thereby, the search is more flexible, less problem-specific and the framework can be easily used with any stochastic search algorithm within ILP domain. Experimental results on several data sets verify the usefulness of this approach.

Název v anglickém jazyce

Context-Sensitive Refinements for Stochastic Optimisation Algorithms in Inductive Logic Programming

Popis výsledku anglicky

We describe a new approach to the application of stochastic search in Inductive Logic Programming (ILP). Contrary to traditional approaches we do not focus directly on evolving logical concepts. Instead, our refinement-based approach uses the stochasticoptimization process to iteratively adapt the initial working concept. It enables using available background knowledge both for efficiently restricting the search space and for directing the search. Thereby, the search is more flexible, less problem-specific and the framework can be easily used with any stochastic search algorithm within ILP domain. Experimental results on several data sets verify the usefulness of this approach.

Druh

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

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/GAP103%2F10%2F1875" target="_blank" >GAP103/10/1875: Učení se z teorií</a><br>

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2011

Kód důvěrnosti údajů

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

Název periodika

Artificial Intelligence Review

ISSN

0269-2821

e-ISSN

—

Svazek periodika

35

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

18

Strana od-do

19-36

Kód UT WoS článku

000286054000002

EID výsledku v databázi Scopus

—