文献

J-GLOBAL ID：201102265125343850   整理番号：11A1025572

計画例からの派生述部に対する学習一次則

Learning First-Order Rules for Derived Predicates from Plan Examples

著者 (4件)： RAO Dong-Ning (Fac. of Computer,Guangdong Univ. of Technol., Guangdong, Guangzhou) ,  JIANG Zhi-Hua (Dep. of Computer Sci. and Technol.,Jinan Univ., Guangdong, Guangzhou) ,  JIANG Yun-Fei (Software Res. Inst.,School of Information Sci. and Technol.,Sun Yat-Sen Univ., Guangdong, Guangzhou) ,  LIU Qiang (Software Res. Inst.,School of Information Sci. and Technol.,Sun Yat-Sen Univ., Guangdong, Guangzhou)
資料名： Jisuanji Xuebao  (Jisuanji Xuebao)
巻： 33  号： 2  ページ： 251-266  発行年： 2010年 
JST資料番号： C2531A  ISSN： 0254-4164  CODEN： JIXUDT  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 派生述部はドメインアクションの間接的効果を描く自然な方法であり,現状におけるそれらの真価はドメイン則を介して他の述部の真価から推測する。しかし,人間の専門家が作ったドメイン則は正しいか完全であるかを保証することができない。従って,観測した計画が不完全なドメイン則において何故正しいのかを説明するのが困難なことがしばしばある。我々は帰納的学習と分析学習とを組み会わせ,FODRL(一次派生則学習)という名前のアルゴリズムを開発し,自動的に初期ドメイン理論において観測した計画から派生述部のために一次則を発見することにした。FODRLは純粋な帰納的学習システムFOIL(一次帰納的学習)に基いている。この場合,部分的に正しい例を対象とする新規則を学習するが,一回につき一度全ての不正確な例をさけ,全ての正しい例を網羅するまで行なう。しかし,FOILより優れており,FODRLは検索段階を拡大するために派生述部の活性化セットを使用し学習則の精度を改善する。活性化セットは基本的事実または述部の最小セットで,派生述部がドメイン規則に基いて真になるようにすることができる。学習プロセスは二段階に分けることができる。第一に,訓練例を観測計画から抽出し,次に,訓練例や初期ドメイン理論にもっとも良く適合することができる派生述部の一次則を学習する。我々は二つの派生計画ドメインであるPSRとPROMELAで実験した。結果は,初期ドメイン理論の指導により,FODRLが学習した規則はFOILやFOCL(FOILの子孫)の規則よりも遥かに正確であることを証明した。Data from the ScienceChina, LCAS. Translated by JST

シソーラス用語： *学習 ,  *過程 ,  プログラム理論 ,  システム ,  アルゴリズム ,  行為 ,  帰納学習 ,  スペシャリスト ,  規則
準シソーラス用語： *学習プロセス ,  ドメイン理論 ,  学習システム ,  アクション ,  帰納的学習 ,  専門家 ,  学習則

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 計画 ,  述部 ,  学習