9、自顶向下数据驱动策略在归纳逻辑编程中的拓展及场景需求提取方法

自顶向下数据驱动策略在归纳逻辑编程中的拓展及场景需求提取方法

在人工智能和机器学习领域，归纳逻辑编程（ILP）是一个重要的研究方向。本文将介绍自顶向下数据驱动（TDD）策略在ILP中的拓展，以及如何利用ILP从场景中提取系统需求。

TDD策略在ILP中的应用

TDD策略在ILP中展现出了显著的优势。以“KRK”数据集为例，该数据集提供了大量接近失败的案例，分支因子常常能降低到1，并且可以认为是无噪声的。使用TDD策略在这个数据集上的结果，大大优于命题化系统和TILDE的结果。

在“Loan”数据集上，Propal也有出色的表现。“Loan”数据集被认为是当前ILP系统表现不佳的大型数据集的代表。在“loanAvB”上，PROGOL的准确率低于50%，RSD在计算两天后仍无法解决至少一个子集的问题；在“loanACvDB”上，PROGOL、RSD和TILDE都超时，只有FOIL表现良好，而RELAGGS分别达到了88%和94.1%的准确率。相比之下，Propal能够快速解决这两个问题，并且表现相当不错。

TDD策略通过将AQ、Winston关于接近失败案例的研究以及通过与种子示例计算最小泛化（lgg）来改变负例的表示方式联系起来。这种基于lgg的重新表述将实例空间和搜索空间合并为一个更简单的学习空间，在这个空间中，学习问题可以通过代数方法解决。这使得TDD策略能够扩展到如带有否定的非递归Datalog子句这样表达能力较强的ILP语言中。与生成 - 测试系统（如PROGOL、Aleph和MIO）相比，TDD策略具有理论优势，它可以利用最相关的负例来修剪细化图中不相关的分支。

通过基于lgg的重新表述提取最近失败示例的过程被形式化为加权约束满足问