结构学习中的基本和高效模式发现
摘要：自动学习在AI中是一个核心问题，对神经符号AI和统计关系学习等领域至关重要。它的目标是从数据中自动学习一个逻辑理论。结构学习的基础是在数据中挖掘重复的模式，也称为结构图案。找到这些模式可以减少指数级的搜索空间，从而引导公式的学习。尽管模式学习的重要性，但它仍然不是很明确。我们提出了第一个系统化的方法，用于在显性图模型中挖掘结构图案，这些图模型融合了一阶逻辑与概率模型，并使用随机过程来度量数据中实体之间的相似性。我们的第一个贡献是一个算法，它依赖于两个直观的超参数：一个用于控制实体相似性度量中的不确定性，另一个用于控制生成规则的柔软度。我们的第二个贡献是一个预处理步骤，在其中我们对数据进行层次聚类，以将搜索空间缩小到最相关的数据。我们的第三个贡献是引入一种O(n ln n)（根据数据中实体的大小）的算法，用于聚类结构相关的数据。我们使用标准基准测试了我们的方法，并显示在准确性和运行时间方面，我们的方法优于最先进的结构学习方法，提高了6%的准确性和80%的运行时间。
作者：Jonathan Feldstein, Dominic Phillips and Efthymia Tsamoura
论文ID：2302.04599
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-06-21