Learning Logic Programs by Discovering Higher-Order Abstractions

要約

新しい抽象化を発見することは、人間レベルの AI にとって重要です。
マップ、フィルター、フォールドなどの高次の抽象化を発見するアプローチを紹介します。
私たちは、例や背景知識から論理プログラムを導き出す帰納的論理プログラミングに焦点を当てています。
高次のリファクタリング問題を導入します。この問題の目的は、高次の抽象化を導入してロジック プログラムを圧縮することです。
私たちは、高次のリファクタリング問題を制約最適化問題として定式化する STEVIE にアプローチを実装します。
プログラム合成や視覚的推論を含む複数のドメインに関する実験結果では、リファクタリングを行わない場合と比較して、STEVIE は予測精度を 27% 向上させ、学習時間を 47% 短縮できることが示されています。
また、STEVIE が異なるドメインに転送される抽象化を発見できることも示します。

要約(オリジナル)

Discovering novel abstractions is important for human-level AI. We introduce an approach to discover higher-order abstractions, such as map, filter, and fold. We focus on inductive logic programming, which induces logic programs from examples and background knowledge. We introduce the higher-order refactoring problem, where the goal is to compress a logic program by introducing higher-order abstractions. We implement our approach in STEVIE, which formulates the higher-order refactoring problem as a constraint optimisation problem. Our experimental results on multiple domains, including program synthesis and visual reasoning, show that, compared to no refactoring, STEVIE can improve predictive accuracies by 27% and reduce learning times by 47%. We also show that STEVIE can discover abstractions that transfer to different domains

arxiv情報

提供元, 利用サービス

arxiv.jp, Google