www.wikidata.de-de.nina.az

Induktive logische Programmierung Die ILP ist ein Bereich des maschinellen Lernens in dem Verfahren zur automatischen Er

Induktive logische Programmierung

Die Induktive logische Programmierung (ILP) ist ein Bereich des maschinellen Lernens, in dem Verfahren zur automatischen Erstellung von logischen Programmen aus Beispielen untersucht werden. Damit ähneln ILP-Verfahren der allgemeinen Induktion beim Denken. Der Begriff wurde 1991 in einem Artikel von Stephen Muggleton eingeführt.

Im Gegensatz zu anderen symbolischen Lernverfahren wie ID3 und C4.5, deren Repräsentationsformat auf Aussagenlogik beschränkt ist, benutzen ILP-Verfahren eingeschränkte Formen der Prädikatenlogik als Repräsentationsformat für Beispiele, Hintergrundwissen und Hypothesen.

Problemstellung Bearbeiten

In der normalen Problemstellung für ILP-Systeme sind Beispiele und ein Hintergrundwissen vorgegeben und das System versucht eine Theorie zu finden, die mit dem Hintergrundwissen die Beispiele korrekt herleitet. Das Hintergrundwissen B wird im Allgemeinen als Menge von Klauseln repräsentiert; die Beispiele e sind variablenfreie Atome. Dabei können positive, das heißt wahre, und negative, also falsche, Beispiele unterschieden werden. Die zu erstellende Theorie S ist eine Menge von Klauseln, die vereinigt mit B die Beispiele korrekt ableitet:

für alle positiven Beispiele e

für alle negativen Beispiele e

Daneben gibt es die sogenannte Nichtmonotone Problemstellung, die der Problemstellung des Data-Mining entspricht. Dabei ist eine Menge von Interpretationen gegeben und das Lernziel ist es, eine Klauselmenge zu finden, die in jeder Interpretation wahr ist.

Methoden Bearbeiten

Die meisten ILP-Algorithmen induzieren die gesuchte Theorie, indem sie mit einer, eventuell leeren, Theorie beginnen und iterativ neue Klauseln hinzufügen. Positive Beispiele, die von einer neu hinzugefügten Klausel hergeleitet werden, können dann entfernt werden. Der Algorithmus terminiert, wenn alle positiven Beispiele entfernt wurden oder wenn ein anderes Kriterium erfüllt ist, etwa wenn die Beispiele nicht weiter durch neue Klauseln komprimiert werden können. Dieser Greedy-Algorithmus ist als Cover Set- oder Sequential Covering-Algorithmus bekannt.

Es gibt verschiedene Algorithmen, welche gute Klauseln, die zur Theorie hinzugefügt werden können, finden. Dabei lassen sich grob Top-Down- und Bottom-Up-Ansätze unterscheiden. In ersteren wird die Menge der Klauseln ausgehend von einer sehr allgemeinen Klausel durchsucht, im zweiten werden Klauseln direkt aus Beispielen generiert. Ein bekanntes Top-Down-System ist FOIL; ein bekanntes Beispiel für Bottom-Up-Systeme ist Golem. Systeme wie Progol, CHILLIN und ProGolem kombinieren beide Ansätze.

Konferenzen Bearbeiten

Seit 1991 findet jedes Jahr eine Konferenz zum Thema statt.

Jahr Datum Ort Vorsitz
2022 September 28-30 Windsor Great Park, Großbritannien
2021 Oktober 25-27 Virtuell
2019 September 3-5 Plowdiw, Bulgarien
2018 September 2-4 Ferrara, Italien
2017 September 4-6 Orleáns, Frankreich
2016 September 4-6 London, Großbritannien
2015 August 20-22 Kyoto, Japan
2014 September 14-16 Nancy, Frankreich
2013 August 28-30 Rio de Janeiro, Brasilien
2012 September 17-19 Dubrovnik, Kroatien
2011 31st July - 3rd August Windsor Great Park, Großbritannien
2010 June 27-30 Florenz, Italien
2009 July 2-5 Leuven, Belgien, Katholieke Universiteit Leuven Hendrik Blockeel, Luc De Raedt
2008 September 10-12 Prag, Tschechien, Czech Technical University Filip Zelezny, Nada Lavrač
2007 June 19-21 Corvallis, Oregon, USA, Oregon State University Jude Shavlik, Hendrik Blockeel, Prasad Tadepalli
2006 August 24-27 Santiago de Compostela, Spanien Stephen Muggleton, Ramon Otero
2005 August 10-13 Bonn, Deutschland Stephan Kramer, Bernhard Pfahringer
2004 September 6-8 Porto, Portugal Ashwin Srinivasan, Ross King
2003 September 29-October 1 Szeged, Ungarn Tamas Horváth, Akihiro Yamamoto
2002 July 9-11 Sydney, Australien Stan Matwin, Claude Sammut
2001 September 9-11 Straßburg, Frankreich Céline Rouveirol, Michèle Sebag
2000 July 24-27 London, England James Cussens, Alan Frisch
1999 June 24-27 Bled, Slowenien Saso Dzeroski, Peter Flach
1998 July 22-24 Madison, Wisconsin, USA C. David Page, Jr.
1997 September 17-20 Prag, Tschechien Nada Lavrac, Saso Dzeroski
1996 August 26-28 Stockholm, Schweden Stephen Muggleton
1995 September 4-6 Leuven, Belgien Luc De Raedt
1994 September 12-14 Bonn, Deutschland Stefan Wrobel
1993 April 1-3 Bled, Slowenien Stephen Muggleton
1992 June 6-7 Tokio, Japan Stephen Muggleton
1991 March 2-4 Viana do Castelo, Portugal Stephen Muggleton

Implementierungen Bearbeiten

  • Progol
  • Golem (ILP)
  • Aleph
  • ProGolem
  • Foil
  • Claudien
  • Lime
  • ACE
  • DMax
  • Warmr
  • RSD
  • Mio
  • DL-Learner
  • Mobal
  • Kepler
  • Chillin

Literatur Bearbeiten

Überblick Bearbeiten

  • H. Blockeel u. a.: Scaling Up Inductive Logic Programming by Learning from Interpretations. In: Data Mining and Knowledge Discovery 3, S. 59–93. Springer, 1999.
  • S.H. Muggleton and L. De Raedt. Inductive logic programming: Theory and methods. Journal of Logic Programming, 19,20:629-679, 1994.
  • S.H. Nienhuys-Cheng and R. de Wolf: Foundations of Inductive Logic Programming. Lecture Notes in Artificial Intelligence (1228). Springer, 1997.
  • Luc de Raedt: Logical and Relational Learning. Springer, 2008. ISBN 3540200401
  • Luc De Raedt et al. (Hrsg.): Probabilistic Inductive Logic Programming. (Lecture Notes in Artificial Intelligence, 4911). Springer, 2008.

Algorithmen Bearbeiten

  • Ross Quinlan. Learning logical definitions from relations. Machine Learning, 5:239–266, 1990. (beschreibt FOIL)
  • Stephen Muggleton. Inverse entailment and progol. New Generation Computing Journal, 13:245–286, 1995.
  • Stephen Muggleton and Cao Feng. Efficient induction in logic programs. In S. Muggleton, editor, Inductive Logic Programming, pages 281–298. Academic Press, 1992. (beschreibt Golem)

Weblinks Bearbeiten

Einzelnachweise Bearbeiten

  1. S.H. Muggleton. Inductive Logic Programming. New Generation Computing, 8(4):295-318, 1991.
  2. ↑ IJCLR 2022: 32st International Conference on Inductive Logic Programming · International Joint Conference on Learning & Reasoning. Abgerufen am 1. Mai 2023 (amerikanisches Englisch).
  3. http://www.doc.ic.ac.uk/~shm/Software/progol5.0
  4. http://www.doc.ic.ac.uk/~shm/Software/golem
  5. http://web.comlab.ox.ac.uk/oucl/research/areas/machlearn/Aleph/
  6. Stephen Muggleton u. a.: ProGolem: A System Based on Relative Minimal Generalisation. In: Luc de Raedt (Hrsg.): Inductive Logic Programming, 19th International Conference. Springer, Heidelberg/Berlin 2009. Seite 131–148.
  7. http://www.cs.cmu.edu/Groups/AI/areas/learning/systems/foil/
  8. (Memento des Originals vom 11. Juni 2008 im Internet Archive)  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/www.cs.kuleuven.ac.be
  9. (Memento des Originals vom 16. Mai 2002 im Internet Archive)  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/cs.anu.edu.au
  10. http://www.cs.kuleuven.ac.be/~dtai/ACE/
  11. (Memento des Originals vom 30. August 2009 im Internet Archive)  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/www.pharmadm.com
  12. (Memento des Originals vom 7. Juni 2008 im Internet Archive)  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/www.cs.kuleuven.ac.be
  13. (Memento des Originals vom 1. März 2007 im Internet Archive)  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/labe.felk.cvut.cz
  14. (Memento des Originals vom 21. April 2007 im Internet Archive)  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/kd.cs.uni-magdeburg.de
  15. http://dl-learner.org
  16. http://www.cs.cmu.edu/afs/cs/project/ai-repository/ai/areas/learning/systems/mobal/0.html
  17. https://www.aaai.org/Papers/KDD/1996/KDD96-035.pdf
  18. http://www.cs.utexas.edu/users/ml/chillin.html
wikipedia, wiki, deutsches, deutschland, buch, bücher, bibliothek artikel lesen, herunterladen kostenlos kostenloser herunterladen, MP3, Video, MP4, 3GP, JPG, JPEG, GIF, PNG, Bild, Musik, Lied, Film, Buch, Spiel, Spiele
Veröffentlichungsdatum:
Die Induktive logische Programmierung ILP ist ein Bereich des maschinellen Lernens in dem Verfahren zur automatischen Erstellung von logischen Programmen aus Beispielen untersucht werden Damit ahneln ILP Verfahren der allgemeinen Induktion beim Denken Der Begriff wurde 1991 in einem Artikel von Stephen Muggleton eingefuhrt 1 Im Gegensatz zu anderen symbolischen Lernverfahren wie ID3 und C4 5 deren Reprasentationsformat auf Aussagenlogik beschrankt ist benutzen ILP Verfahren eingeschrankte Formen der Pradikatenlogik als Reprasentationsformat fur Beispiele Hintergrundwissen und Hypothesen Inhaltsverzeichnis 1 Problemstellung 2 Methoden 3 Konferenzen 4 Implementierungen 5 Literatur 5 1 Uberblick 5 2 Algorithmen 6 Weblinks 7 EinzelnachweiseProblemstellung BearbeitenIn der normalen Problemstellung fur ILP Systeme sind Beispiele und ein Hintergrundwissen vorgegeben und das System versucht eine Theorie zu finden die mit dem Hintergrundwissen die Beispiele korrekt herleitet Das Hintergrundwissen B wird im Allgemeinen als Menge von Klauseln reprasentiert die Beispiele e sind variablenfreie Atome Dabei konnen positive das heisst wahre und negative also falsche Beispiele unterschieden werden Die zu erstellende Theorie S ist eine Menge von Klauseln die vereinigt mit B die Beispiele korrekt ableitet S B e displaystyle S cup B models e nbsp fur alle positiven Beispiele eS B e displaystyle S cup B not models e nbsp fur alle negativen Beispiele eDaneben gibt es die sogenannte Nichtmonotone Problemstellung die der Problemstellung des Data Mining entspricht Dabei ist eine Menge von Interpretationen gegeben und das Lernziel ist es eine Klauselmenge zu finden die in jeder Interpretation wahr ist Methoden BearbeitenDie meisten ILP Algorithmen induzieren die gesuchte Theorie indem sie mit einer eventuell leeren Theorie beginnen und iterativ neue Klauseln hinzufugen Positive Beispiele die von einer neu hinzugefugten Klausel hergeleitet werden konnen dann entfernt werden Der Algorithmus terminiert wenn alle positiven Beispiele entfernt wurden oder wenn ein anderes Kriterium erfullt ist etwa wenn die Beispiele nicht weiter durch neue Klauseln komprimiert werden konnen Dieser Greedy Algorithmus ist als Cover Set oder Sequential Covering Algorithmus bekannt Es gibt verschiedene Algorithmen welche gute Klauseln die zur Theorie hinzugefugt werden konnen finden Dabei lassen sich grob Top Down und Bottom Up Ansatze unterscheiden In ersteren wird die Menge der Klauseln ausgehend von einer sehr allgemeinen Klausel durchsucht im zweiten werden Klauseln direkt aus Beispielen generiert Ein bekanntes Top Down System ist FOIL ein bekanntes Beispiel fur Bottom Up Systeme ist Golem Systeme wie Progol CHILLIN und ProGolem kombinieren beide Ansatze Konferenzen BearbeitenSeit 1991 findet jedes Jahr eine Konferenz zum Thema statt Jahr Datum Ort Vorsitz2022 2 September 28 30 Windsor Great Park Grossbritannien2021 2 Oktober 25 27 Virtuell2019 2 September 3 5 Plowdiw Bulgarien2018 2 September 2 4 Ferrara Italien2017 2 September 4 6 Orleans Frankreich2016 2 September 4 6 London Grossbritannien2015 2 August 20 22 Kyoto Japan2014 2 September 14 16 Nancy Frankreich2013 August 28 30 Rio de Janeiro Brasilien2012 September 17 19 Dubrovnik Kroatien2011 31st July 3rd August Windsor Great Park Grossbritannien2010 June 27 30 Florenz Italien2009 July 2 5 Leuven Belgien Katholieke Universiteit Leuven Hendrik Blockeel Luc De Raedt2008 September 10 12 Prag Tschechien Czech Technical University Filip Zelezny Nada Lavrac2007 June 19 21 Corvallis Oregon USA Oregon State University Jude Shavlik Hendrik Blockeel Prasad Tadepalli2006 August 24 27 Santiago de Compostela Spanien Stephen Muggleton Ramon Otero2005 August 10 13 Bonn Deutschland Stephan Kramer Bernhard Pfahringer2004 September 6 8 Porto Portugal Ashwin Srinivasan Ross King2003 September 29 October 1 Szeged Ungarn Tamas Horvath Akihiro Yamamoto2002 July 9 11 Sydney Australien Stan Matwin Claude Sammut2001 September 9 11 Strassburg Frankreich Celine Rouveirol Michele Sebag2000 July 24 27 London England James Cussens Alan Frisch1999 June 24 27 Bled Slowenien Saso Dzeroski Peter Flach1998 July 22 24 Madison Wisconsin USA C David Page Jr 1997 September 17 20 Prag Tschechien Nada Lavrac Saso Dzeroski1996 August 26 28 Stockholm Schweden Stephen Muggleton1995 September 4 6 Leuven Belgien Luc De Raedt1994 September 12 14 Bonn Deutschland Stefan Wrobel1993 April 1 3 Bled Slowenien Stephen Muggleton1992 June 6 7 Tokio Japan Stephen Muggleton1991 March 2 4 Viana do Castelo Portugal Stephen MuggletonImplementierungen BearbeitenProgol 3 Golem ILP 4 Aleph 5 ProGolem 6 Foil 7 Claudien 8 Lime 9 ACE 10 DMax 11 Warmr 12 RSD 13 Mio 14 DL Learner 15 Mobal 16 Kepler 17 Chillin 18 Literatur BearbeitenUberblick Bearbeiten H Blockeel u a Scaling Up Inductive Logic Programming by Learning from Interpretations In Data Mining and Knowledge Discovery 3 S 59 93 Springer 1999 S H Muggleton and L De Raedt Inductive logic programming Theory and methods Journal of Logic Programming 19 20 629 679 1994 S H Nienhuys Cheng and R de Wolf Foundations of Inductive Logic Programming Lecture Notes in Artificial Intelligence 1228 Springer 1997 Luc de Raedt Logical and Relational Learning Springer 2008 ISBN 3540200401 Luc De Raedt et al Hrsg Probabilistic Inductive Logic Programming Lecture Notes in Artificial Intelligence 4911 Springer 2008 Algorithmen Bearbeiten Ross Quinlan Learning logical definitions from relations Machine Learning 5 239 266 1990 beschreibt FOIL Stephen Muggleton Inverse entailment and progol New Generation Computing Journal 13 245 286 1995 Stephen Muggleton and Cao Feng Efficient induction in logic programs In S Muggleton editor Inductive Logic Programming pages 281 298 Academic Press 1992 beschreibt Golem Weblinks BearbeitenILP Network of ExcellenceEinzelnachweise Bearbeiten S H Muggleton Inductive Logic Programming New Generation Computing 8 4 295 318 1991 a b c d e f g h IJCLR 2022 32st International Conference on Inductive Logic Programming International Joint Conference on Learning amp Reasoning Abgerufen am 1 Mai 2023 amerikanisches Englisch http www doc ic ac uk shm Software progol5 0 http www doc ic ac uk shm Software golem http web comlab ox ac uk oucl research areas machlearn Aleph Stephen Muggleton u a ProGolem A System Based on Relative Minimal Generalisation In Luc de Raedt Hrsg Inductive Logic Programming 19th International Conference Springer Heidelberg Berlin 2009 Seite 131 148 http www cs cmu edu Groups AI areas learning systems foil Archivlink Memento des Originals vom 11 Juni 2008 im Internet Archive nbsp Info Der Archivlink wurde automatisch eingesetzt und noch nicht gepruft Bitte prufe Original und Archivlink gemass Anleitung und entferne dann diesen Hinweis 1 2 Vorlage Webachiv IABot www cs kuleuven ac be Archivlink Memento des Originals vom 16 Mai 2002 im Internet Archive nbsp Info Der Archivlink wurde automatisch eingesetzt und noch nicht gepruft Bitte prufe Original und Archivlink gemass Anleitung und entferne dann diesen Hinweis 1 2 Vorlage Webachiv IABot cs anu edu au http www cs kuleuven ac be dtai ACE Archivlink Memento des Originals vom 30 August 2009 im Internet Archive nbsp Info Der Archivlink wurde automatisch eingesetzt und noch nicht gepruft Bitte prufe Original und Archivlink gemass Anleitung und entferne dann diesen Hinweis 1 2 Vorlage Webachiv IABot www pharmadm com Memento des Originals vom 7 Juni 2008 im Internet Archive nbsp Info Der Archivlink wurde automatisch eingesetzt und noch nicht gepruft Bitte prufe Original und Archivlink gemass Anleitung und entferne dann diesen Hinweis 1 2 Vorlage Webachiv IABot www cs kuleuven ac be Archivlink Memento des Originals vom 1 Marz 2007 im Internet Archive nbsp Info Der Archivlink wurde automatisch eingesetzt und noch nicht gepruft Bitte prufe Original und Archivlink gemass Anleitung und entferne dann diesen Hinweis 1 2 Vorlage Webachiv IABot labe felk cvut cz Archivlink Memento des Originals vom 21 April 2007 im Internet Archive nbsp Info Der Archivlink wurde automatisch eingesetzt und noch nicht gepruft Bitte prufe Original und Archivlink gemass Anleitung und entferne dann diesen Hinweis 1 2 Vorlage Webachiv IABot kd cs uni magdeburg de http dl learner org http www cs cmu edu afs cs project ai repository ai areas learning systems mobal 0 html https www aaai org Papers KDD 1996 KDD96 035 pdf http www cs utexas edu users ml chillin html Abgerufen von https de wikipedia org w index php title Induktive logische Programmierung amp oldid 233581618