36、模糊与注释逻辑程序归纳及生物信息学中描述性ILP的提升

模糊与注释逻辑程序归纳及生物信息学中描述性ILP的提升

1. 模糊与注释逻辑程序归纳

1.1 模糊与概率框架差异

在逻辑程序中，GAP规则和LPAD规则里的参数α有着不同的含义。在GAP规则中，α表示文字的真值；而在LPAD规则中，α表示文字为真的概率，这体现了模糊和概率框架之间的差异。

1.2 FILP与IGAP形式模型

为FILP和IGAP提供了正确且合理的形式模型。基于完整且合理的FLP模型构建了FILP的形式模型，表明FILP是ILP的推广。引入了与FLP等价的GAP框架，进而引入IGAP的形式模型，并证明IGAP与FILP等价。所提出的IGAP方法具有gap一致性，因此也具有模糊一致性。

1.3 模糊隶属函数

模糊隶属函数是用户特定的，无法使用固定的模糊隶属函数进行计算。介绍了该方法在网络搜索应用中归纳用户偏好的应用，并对模糊ILP的近期工作进行了描述，还将GAP与其他概率方法进行了比较。

2. 生物信息学中描述性ILP的提升

2.1 研究背景

2.1.1 ILP的应用与挑战

归纳逻辑编程（ILP）在关系预测任务中取得了很大成功，像Progol和foil等复杂的预测ILP系统能实现较高的预测准确性，且学习结果易于理解。为了进一步提高预测准确性，有人尝试将ILP与命题学习算法（如支持向量机）结合，但这种结合可能导致学习结果因采用复杂表示而难以理解。

2.1.2 提升算法的应用现状

提升（Boosting）是一种提高其他学习算法预测准确性的成熟方法，其结果是基础学习器分