A First-Order Axiomatization for Transition Learning with RichConstraints

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F17%3A00332228" target="_blank" >RIV/68407700:21230/17:00332228 - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-2085/barvinekLBP-ILP2017.pdf" target="_blank" >http://ceur-ws.org/Vol-2085/barvinekLBP-ILP2017.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

A First-Order Axiomatization for Transition Learning with RichConstraints

Popis výsledku v původním jazyce

We address the task of learning a dynamic Boolean network model from dataabout its state transitions, and constraints regarding the known attractors ofthe system. To this end, we propose a learning strategy where such priorknowledge is compiled into a first-order theory along with axioms describ-ing the Boolean transitions functions and the language bias for their repre-sentation. The learning task is then posed as a model-finding task, in that theBoolean network is obtained as a model of the input first-order theory. Withthis framework, we support experimentally the hypothesis that attractor con-straints reduce the number of state transition examples needed to identify thetarget model.

Název v anglickém jazyce

A First-Order Axiomatization for Transition Learning with RichConstraints

Popis výsledku anglicky

We address the task of learning a dynamic Boolean network model from dataabout its state transitions, and constraints regarding the known attractors ofthe system. To this end, we propose a learning strategy where such priorknowledge is compiled into a first-order theory along with axioms describ-ing the Boolean transitions functions and the language bias for their repre-sentation. The learning task is then posed as a model-finding task, in that theBoolean network is obtained as a model of the input first-order theory. Withthis framework, we support experimentally the hypothesis that attractor con-straints reduce the number of state transition examples needed to identify thetarget model.

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

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2017

Kód důvěrnosti údajů

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

Název statě ve sborníku

Late Breaking Papers of the 27th International Conference on Inductive Logic Programming

ISBN

—

ISSN

1613-0073

e-ISSN

—

Počet stran výsledku

5

Strana od-do

1-5

Název nakladatele

CEUR Workshop Proceedings

Místo vydání

Tilburg

Místo konání akce

Orléans

Datum konání akce

4. 9. 2017

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—