SAT-Based PAC Learning of Description Logic Concepts

要約

オントロジーの存在下で記述ロジックの概念を学習するためのスキームとして、有界フィッティングを提案します。
主な利点は、結果として得られる学習アルゴリズムには、PAC 学習の意味での未見の例への一般化に関する理論的保証が付いていることです。
対照的に、他のいくつかの自然学習アルゴリズムはそのような保証を提供できないことを証明します。
さらなる貢献として、SAT ソルバーに基づいて記述ロジック $\mathcal{ELH}^r$ の境界フィッティングを効率的に実装するシステム SPELL を紹介し、そのパフォーマンスを最先端の学習器と比較します。

要約(オリジナル)

We propose bounded fitting as a scheme for learning description logic concepts in the presence of ontologies. A main advantage is that the resulting learning algorithms come with theoretical guarantees regarding their generalization to unseen examples in the sense of PAC learning. We prove that, in contrast, several other natural learning algorithms fail to provide such guarantees. As a further contribution, we present the system SPELL which efficiently implements bounded fitting for the description logic $\mathcal{ELH}^r$ based on a SAT solver, and compare its performance to a state-of-the-art learner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google