48、基于命题化和随机 k 项 DNF 学习的归纳逻辑编程探索

基于命题化和随机 k 项 DNF 学习的归纳逻辑编程探索

在生物信息学和机器学习的交叉领域，归纳逻辑编程（ILP）作为一种强大的工具，在解决各种复杂问题上展现出了巨大的潜力。然而，ILP 系统也面临着运行时间长和存储需求大的挑战。为了应对这些问题，随机局部搜索（SLS）方法成为了一个有前景的研究方向。本文将深入探讨如何通过命题化和随机 k 项 DNF 学习来优化 ILP 系统。

1. ILP 面临的挑战与随机局部搜索的引入

ILP 已成功应用于多个领域，但由于其可能的子句搜索空间庞大，导致系统在运行时间和存储方面存在巨大需求。因此，需要巧妙的搜索策略来提高效率。随机局部搜索方法在命题任务（如可满足性问题）中取得了成功，显著提高了这些任务的效率。受此启发，将随机局部搜索应用于 ILP 以加速学习过程成为一个有前途的研究方向。

传统的随机局部搜索算法在命题可满足性问题中具有快速测试真值赋值是否满足公式的能力，因此可以在短时间内测试和评分多个可能的解决方案。然而，在 ILP 中，测试一个子句是否覆盖一个示例的过程要长得多，导致在相同时间内可测试的解决方案数量大大减少。为了克服这一问题，本文采用了命题化的方法，将 ILP 任务转化为属性值学习任务，从而在这个替代搜索空间中利用命题可满足性的快速测试优势。

此外，大多数 ILP 系统采用的标准贪婪覆盖算法也存在缺陷。贪婪覆盖不能保证得到全局最优假设，常常导致假设过长且包含过多子句的问题。为了克服这些限制，可以在整个理论空间而不是子句空间中进行搜索。但这种更大的搜索空间会带来组合复杂性问题，这也是将关系域转换为命题域并在简化后的搜索空间中使用随机局部搜索的另一个原因。

2. 命题化：将关系学习问题转化