逻辑程序设计的研究现状与展望,逻辑学论文.docx

《逻辑程序设计的研究现状与展望,逻辑学论文.docx》由会员分享，可在线阅读，更多相关《逻辑程序设计的研究现状与展望,逻辑学论文.docx（11页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、逻辑程序设计的研究现在状况与展望,逻辑学论文机器学习试图利用计算机来模拟人类的学习行为，进而利用计算机的技术优势给人类的生活带来便利。归纳逻辑程序设计 Inductive Logic Programming,简写为ILP是机器学习和逻辑程序设计的穿插研究领域。它在子句逻辑的框架下，通过让计算机考察详细的事例，然后学习出能够刻画这些事例特有属性的一般性规则。详细来讲，计算机进行操作时，根据背景知识在限定的归纳假设空间中不断地搜索，最后得出一个理论 也即知足某种语言偏向的子句集，使得所有的正例都能被理论覆盖，而负实例不被覆盖。ILP作为机器学习的重要方式方法，已经在生物信息学、自然语言处理、软件工

2、程等应用领域获得成功。 一、归纳逻辑程序设计的研究现在状况 近年来，ILP得到很大的发展，其应用领域也不断拓宽。 一般讲来，ILP最重要的应用领域之一是生物信息学 Bio-informatics。ILP之所以能适用于生物信息学的任务，是由于它会将背景知识和构造数据考虑在内，学习产生人类能理解的知识。在学习蛋白质构造的折叠的经过中，由于对其构造的学习很重要，所以需要找到能够清楚明晰描绘叙述其构造的语言。传统的属性-值方式方法无法描绘叙述对象间的关系，因此也就无法合理地表示蛋白质分子的三维构造，ILP的一阶逻辑工具-子句逻辑是非常合适描绘叙述这种关系的语言，它在预测蛋白质构造信息和蛋白质次级构造生

3、成中发挥了很大作用。同时，在预测化合物诱变问题上，ILP也解决了传统方式方法无法解决的构造关系问题。 机器学习一个非常独特的应用领域是自然语言处理，它的主要任务在于建立各种自然语言处理系统，如文字自动辨别系统、语音自动辨别系统、机器翻译系统、自然语言信息检索系统、自动索引系统等。在自然语言处理中，ILP的方式方法能够从文本中抽取复杂的关系数据，这是ILP优于其他机器学习技术的特点之一。ILP系统还经常为工程学、环境监控、软件分析、形式学习和关系发现等领域的数据构造预测模型。固然ILP与其他机器学习方式方法相比有一定的优势，然而随着科学技术发展和需求的增加，ILP在应用中也面临很多挑战： 首先，

4、相比其他的机器学习系统来讲，ILP系统对时间和空间有更高层次的要求，这使得ILP很难去处理大的数据集。因而，ILP应该努力寻求与随机搜索和并行处理技术等方式方法结合以处理构造复杂的数据集。 其次，隐马尔科夫模型、动态贝叶斯网络、双连词和三连词等技术都能充分表示出任务中的内在概率，而ILP系统很少有表示出、处理概率的能力，这也是ILP的重大缺乏之一。 最后，当背景知识和数据集用一阶逻辑清楚明晰表示出出来时，ILP能够运行良好。但是当数据集是无法通过一阶逻辑清楚明晰表示出的图像、视频、音频时，ILP就无能为力。就这一问题来讲，ILP需要从约束逻辑程序设计中借鉴经历体验，学习处理特殊数据格式的技术。

5、 二、归纳逻辑程序设计的发展瞻望 ILP应用经过中所显现出来的缺乏之处，使得ILP必须与其他研究领域的技术相结合，来提高它解决问题的能力。为了使ILP更好地完成归纳学习任务，戴维 培基 DavidPage 提出了ILP将来发展的五个研究方向。 1.ILP和贝叶斯网络 当前在人工智能中，贝叶斯网络 Bayesian network是处理不确定信息和进行概率推理的最有力工具，它在很大程度上取代了传统的基于规则的专家系统。人工智能的研究者已经意识到概率的重要性，例如在医疗诊断中，几乎没有普遍真的医学规律存在，也很少有完全正确的实验可被利用。取而代之的是，概率被用来刻画任务本身内在的不确定性。贝叶斯网

6、络被十分设计出来去表示出一些可能的概率分布，并且尝试对这些概率分布进行推理。它已经在医疗诊断、拼写纠错、故障诊断等领域得到应用，也成为了国内外研究的新宠儿。 固然贝叶斯网络有如此良好的应用，然而它本质上是命题的：变量集是确定且有限的，并且每个变量都有其确定的可能值域。这个事实限制了贝叶斯网络的应用。除此之外，当一个贝叶斯网用一个图表表示时，图表能够刻画的唯一关系是概率、或然性之间的条件依靠关系，它不能表示出关系构造。 要想使贝叶斯网络更好地为人类服务，必须试图去拓展贝叶斯网络的表示出力，并且试图用一个拓展的表示出来进行归纳学习。实践证明，这个拓展的表示出结果是复杂的，还降低了一阶逻辑的表示出力

7、。ILP研究者尝试学习添加概率的子句，来拓展贝叶斯网的表示出力，在一定程度上能够解决这一问题。 当前，学者已经提出几种可供选择的子句表示出方式，华而不实包括概率逻辑程序设计，随机逻辑程序设计和概率约束逻辑程序设计。库塞斯 Cussens 着手研究随机逻辑程序设计的算法和应用，而恩格 Ngo 和哈达维 Haddawy 则研究贝叶斯网络的一阶表示出。一般讲来，ILP和贝叶斯网络学习是正交的。ILP擅于处理关系域，而贝叶斯网络对概率处理的很好。因而，设想一个能够具有贝叶斯网络学习和ILP二者优点的学习算法的存在和应用是合理的，尝试将贝叶斯网络学习和ILP结合的领域也应该是一个有前途、有希望的研究领域

8、。 2.ILP和随机搜索 随着计算机技术的发展，人类收集数据、存储数据的能力有了很大提高，对这些数据施以算法搜索处理，就能知足人类不同的需求。随机搜索 Stochastic search 是指在目的位置基本服从均匀分布的条件下，搜索轨迹随机且均匀分布在目的分布区域内的一种搜索方式。常用的随机搜索算法主要包括模拟退火算法、进化策略、遗传算法。这些算法求解时搜索经过是非确定性的，算法对约束函数及目的函数有限制，因此能够解决大规模复杂问题。 大部分ILP算法搜索由假设而定的一个子句格。它们寻找这样一个子句-即能够使子句覆盖范围的函数到达最大化的子句。根据它们怎样搜索这个子句格，这些ILP算法被分为

9、基于最小一般泛化的 自底向上算法和 基于求精的 自顶向下算法。算法又根据它们能否利用贪心搜索、定向搜索、接受搜索来进行进一步划分。在几乎所有算法中，以上这些搜索方式方法都是确定性搜索。然而，对于其他ILP之外的具有挑战性的逻辑或人工智能任务，随机搜索经常胜过确定性搜索。1992年，考茨 Kautz、塞尔曼 Selman、维斯克 Levesque、米切尔 Mitchell 以及其他学者对局部搜索算法诸如GSAT、WSAT的可知足性问题的研究，已经证实了随机搜索更具优势。塞巴格 Sebag 和罗维洛Rouveirol 从事于随机匹配和定理证明，并且在诱变性研究上超越PROGOL程序，同时并没有牺牲

10、预测准确性和理解力。由此能够看出，随机搜索是ILP中一个有前途的研究方向。ILP能够尝试与随机搜索算法结合，利用随机搜索可选择的形式去检测子句格，尝试解决不确定搜索问题。 3.ILP和约束逻辑程序设计 机器学习中广为人知的成功理论之一是约束逻辑程序设计。这个理论成功的原因在于它整合逻辑和特殊目的的推理者或约束解决者的能力。前面提到的在ILP中参加概率的方式方法可以以理解为特殊目的推理者在贝叶斯网络片段形式中诉诸约束。关于约束问题，斯里尼瓦森 Srinivasan 和卡马乔 Camacho 使用线性回归去构建一个约束，而克莱文Craven 和斯拉特利 Slattery 的工作是用朴素贝叶斯技术去

11、构造一个约束。值得注意的是，除了在演绎经过中所需要的约束解释器外，ILP还需要一个像类似线性回归一样的 约束构造函数 .一般情况下，采用一个数据库的标准逻辑解释，这里每一个关系是一个谓词，并且关系中每一元组是由那个谓词建立而来的一个基原子公式。如今假设数据库中包含一些复杂数据的格式诸如影像，简单的逻辑类似性就不能够刻画一系列影像的重要特征，这时就需要基于特殊目的的影像处理技术。我们将ILP运用于处理电影 如MPEG格式 或视频 如MIDI格式 数据时，首先需要构造特殊目的的约束解释器，再用ILP技术对其进行处理。关于怎样将约束参加到ILP研究中，需要关注阿兰 弗里希 AlanFrisch 的工

12、作。令人遗憾的是，他的工作没有牵涉怎样确保归纳学习系统的效率，以及怎样去设计约束解释器的正确类型。这些问题正是留给我们去考虑的，阿兰 弗里希至少给我们提供了一种考虑问题的思路。ILP确实需要从约束逻辑程序设计中借鉴经历体验，学习处理特殊数据格式的技术，提高其处理问题和解决问题的能力。 4.ILP和人类专家的沟通 在从远程通讯、分子生物学、制药学等领域的数据库中发现新知识的经过中，假如一个机器学习系统和人类专家能够以团队的形式合作，充分利用计算机的速度优势及人类专家的知识和技术优势，那么在很大程度上会提高机器学习的效率和工作水平，促进新知识的发现。ILP系统的三个特性使得它在知识发现中能够很自然

13、地与人类专家进行合作：首先，ILP系统能够利用可宣告的背景知识去构造假设，这就使得ILP和领域专家之间能够展开合作。其次，基于特征的学习系统要求使用者从描绘叙述创造实例的特征开场，ILP系统允许构造实例根据组成它的对象以及这些对象之间的关系一起自然地被描绘叙述。一个分子的二维构造能够将它的原子作为对象，将原子之间的联络作为关系，这样直接表示出来。三维构造能够通过添加距离关系而被表示。最后，ILP系统和命题逻辑学习者一样，都具有输出用户能够理解的规则的能力，一些ILP系统甚至能够用英语返回规则。 尽管ILP系统呈现了如此多的有用特性，它在知识发现中作为人类的合作者，仍然还有很多缺点和缺乏。首先，

14、大多数ILP系统在探试程序基础上返回单一理论，因而丢掉了对一些领域专家来讲有意义的子句。其次，ILP系统不能用人类合作者所使用的那种方式来回答人类专家的问题。它们用简单的成批处理形式操作，采用一个数据库作为输入，并且在这里基础上返回一个假设。再次，ILP系统不会像人类合作者那样对输入的数据进行质疑。最后，人类专家能够为假设提供知识丰富的辩护形式，例如将一个新的假设与现有的信念联络起来，ILP系统做不到这一点，它仅仅能提供正确的判定。在知识发现和知识获取的人机合作中，要克制ILP的缺乏，不仅需要逻辑和人工智能的技术，还需要对逻辑主体进行研究，只要二者结合才能使机器与人类专家进行良好沟通。 5.I

15、LP和并行处理技术 面对今天复杂的科学计算、各式各样的图象处理以及大量的信号等问题，提高计算机的运行速度和缩短程序的运行时间至关重要。ILP系统对时间和空间有很高的要求，这使得ILP很难去处理大的数据集。并行处理技术的出现，为ILP处理大数据集提供了解决思路。并行处理系统由多个处理单元组成，通过特定方式方法能够将一个任务分成若干个子任务，分别由各处理单元完成。当前并行处理技术最显着的是 贝奥武夫簇群技术 Beowut clusters 的普遍应用，以及个人计算机、工作站、智能终端并行处理技术的使用。大卫 斯基利康 David Skillicorn 在大容量同步并行模型之下发展了一个PROGOL

16、的并行施行技术。艾伦 韦德 Alanwild 在贝奥武夫簇群技术基础上，再次进行自上而下的ILP研究。 并行处理技术的理想是在处理时间上的一个缩减，这里处理时间是处理程序所用数量的一个线性函数，斜率接近于1.由于程序之间的管理自检和资源的竞争，这个理想很难到达。一个好的并行策略，要求程序之间尽可能地相对独立，尽量使得程序之间拥有较少的沟通或资源分享。在测试数据时，在不同的处理器之间派发假设空间。更具体地讲，对一个完备的搜索，一个并行ILP方案能够产生一个户主-用户形式，这里户主将不同分段的假设空间指派给用户，然后用户用假设对数据进行测试。用户反应给户主的所有假设在数据上到达一个预先最小评估值。

17、当用户完成自个的任务时，户主继续指派时空的新程序段，直到整个空间被开发。 在用户和户主沟通经过中，要考虑每次沟通产生数据的成本，还要考虑户主所花费的时间和户主-用户沟通的时间。 在相对较大的论域中，完备性搜索期望用户和户主之间有尽量少的假设沟通。假如户主面对如此快速增长的假设空间片段，能够以这样一个方式将这些片段与用户简洁地沟通是可能的；那么整体开销将是低的，处理时间也会缩减，这样也就接近理想的并行处理形式。 三、结束语 人类有对宇宙本源、生命本质、自我本体的好奇，对 机器怎样模拟人类思维进行学习和考虑 这一问题的讨论，给机器学习添加了自然科学色彩。本文总结了归纳逻辑程序设计的发展现在状况，对

18、当前ILP发展经过存在的问题进行了具体地阐述。固然ILP已经在软件工程、计算机网络、生物信息学等诸多领域发挥作用，然而应用领域的迫切需求使得ILP仍需与贝叶斯网络、随机搜索、并行处理等技术结合，进一步推动科技的发展，进而为人类的生活带来便利。 以下为参考文献： 1 Shan-Hwei,Nienhuys-Cheng,Ronald de Wolf.Foundations of Inductive Logic Programming M .SpringerPress,1997. 2 S.Muggleton.Inductive Logic Programming M .Academic Press,1992. 3 David Page.ILP:Just Do It M .Berlin Heidelberg,2000:3-18. 4 J.Jaffar,M.J.Maher.Constraint Logic Programming J .Journal of Logic Programming,1994. 5 Ivan B,Ross K.Applications of Inductive LogicProgramming J .SIGART Bulletin,1995.