Honey, I shrunk the hypothesis space (through logical preprocessing)
تقدم هذه الورقة نهجاً للمعالجة المسبقة المنطقية باستخدام برمجة مجموعات الإجابة لاستبعاد القواعد المستحيلة من حيز الفرضيات لأنظمة البرمجة المنطقية الاستقرائية، مما يقلل أوقات التعلم بشكل جذري مع الحفاظ على دقة التنبؤ عبر مجالات متنوعة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت كيفية لعب لعبة جديدة. أنت تعطيه كتاب قواعد (المعرفة الخلفية) وبعض الأمثلة عن الحركات الجيدة والسيئة (بيانات التدريب). مهمة الروبوت هي كتابة مجموعة قواعده الخاصة للفوز باللعبة.
المشكلة هي أن الروبوت متحمس أكثر من اللازم. فهو يحاول كتابة كل قاعدة ممكنة يمكنه التفكير فيها، حتى تلك التي هي بلا معنى تماماً. قد يحاول كتابة قاعدة تقول: "إذا كان الرقم زوجياً وفردياً في آن واحد، فستفوز". وبما أنه لا يوجد رقم يكون زوجياً وفردياً في آن واحد، فإن هذه القاعدة عديمة الفائدة. لكن الروبوت لا يعرف ذلك بعد، لذا يضيع ساعات في التحقق منها.
يقدم هذا البحث نظام "تدقيق مسبق" ذكياً يسمى Shrinker. فكر في Shrinker كأنه محرر صارم جداً ينظر إلى كتاب قواعد الروبوت قبل أن يبدأ الروبوت في الكتابة. يقول المحرر: "توقف! نحن نعلم يقيناً أن تركيبات معينة من الكلمات لا يمكن أن تصنع أي معنى بناءً على قواعد الكون الذي نعيش فيه. دعونا نشطب تلك التركيبات فوراً حتى لا يضيع الروبوت وقته".
يشرح هذا البحث هذه العملية باستخدام أربعة أنواع من "القواعد عديمة الفائدة" التي يقوم بحذفها:
1. القواعد المستحيلة (غير قابلة للتحقق - Unsatisfiable)
تخيل قاعدة تقول: "إذا كان المربع مستديراً، فستفوز".
في عالمنا، لا يمكن للمربع أن يكون مستديراً أبداً. هذا مستحيل منطقياً.
التشبيه: الأمر يشبه محاولة بناء منزل من الماء. مهما حاولت، لن يصمد أبداً.
ماذا يفعل Shrinker: ينظر إلى المعرفة الخلفية (الحقائق التي نعرف أنها صحيحة) ويدرك: "مهلاً، 'المربع' و'المستدير' لا يجتمعان". ثم يحذف أي قاعدة تحاول الجمع بينهما قبل أن يفكر الروبوت فيها حتى.
2. القواعد الزائدة (قابلة للاختزال بالاستلزام - Implication Reducible)
تخيل قاعدة تقول: "إذا كان الرقم عدداً أولياً أكبر من 2، وكان فردياً، فستفوز".
حسناً، إذا كان الرقم أولياً أكبر من 2، فيجب أن يكون فردياً. لست بحاجة لقول "وكان فردياً" لأن ذلك ضمني بالفعل. الأمر يشبه قول: "إذا كنت أعزباً، وكنت غير متزوج، فستفوز". كونك أعزباً يعني أنك غير متزوج.
التشبيه: الأمر يشبه حزم حقيبة سفر ووضع "معطف شتوي" فيها، ثم وضع أيضاً "سترة ثقيلة" والقول: "وأيضاً، أحتاج إلى سترة ثقيلة". أنت تحتاج لواحد فقط؛ والثاني مجرد وزن زائد.
ماذا يفعل Shrinker: يرصد هذه الكلمات "الزائدة" ويقوم بإزالتها، مما يجعل القواعد أقصر وأسرع في التحقق.
3. قواعد "المرة الواحدة" (قابلة للاختزال بالاستدعاء - Recall Reducible)
تخيل قاعدة تقول: "إذا كان للشخص أم تدعى أليس، وكان لنفس الشخص أم تدعى بوب، فستفوز".
في العالم الحقيقي، عادة ما يكون للشخص أم بيولوجية واحدة فقط. إذا ذكرت المعرفة الخلفية أن للشخص أماً، فإن هذه الأم فريدة من نوعها. لا يمكنك امتلاك أمين مختلفين لنفس الخانة.
التشبيه: الأمر يشبه قفلاً له مفتاح واحد فقط. إذا حاولت استخدام مفتاحين مختلفين في نفس الوقت لفتح القفل، ستعرف فوراً أن هناك خطأ ما.
ماذا يفعل Shrinker: يحصي عدد المرات التي يمكن أن تحدث فيها الأشياء. إذا كان يعلم أن الشخص يمكن أن يكون له أم واحدة فقط، فإنه يحذف أي قاعدة تحاول إدراج أمتين مختلفتين لنفس الشخص.
4. القواعد "الصحيحة دائماً" (قابلة للاختزال بالنوع الواحد - Singleton Reducible)
تخيل قاعدة تقول: "إذا كانت القائمة لها طول، فستفوز".
حسناً، كل قائمة لها طول. هذه حقيقة من حقائق الحياة. التحقق مما إذا كانت القائمة لها طول يشبه التحقق مما إذا كانت السمكة لها ماء. هذا أمر صحيح دائماً، لذا فهو لا يساعدك في التمييز بين الحركة الرابحة والحركة الخاسرة.
التشبيه: الأمر يشبه حارس أمن يتحقق مما إذا كان المبنى يحتوي على سقف. كل مبنى له سقف، لذا فإن هذا الفحص لا يخبر الحارس بشيء عن ما إذا كان المبنى آمناً أم لا. إنه إضاعة للوقت.
ماذا يفعل Shrinker: يحدد عمليات التحقق "الصحيحة دائماً" هذه ويزيلها لأنها لا تضيف أي قيمة لعملية اتخاذ القرار.
النتيجة: دفعة هائلة في السرعة
اختبر البحث "المحرر" (Shrinker) في مهام مختلفة، من ألغاز الاستدلال البصري إلى تعلم قواعد ألعاب اللوح.
- بدون Shrinker: كان الروبوت (نظام ILP يسمى Popper) يستغرق أحياناً 10 ساعات للعثور على الإجابة الصحيحة لأنه كان يغربل ملايين القواعد عديمة الفائدة، أو المستحيلة، أو الزائدة.
- مع Shrinkier: قضى المحرر 10 ثوانٍ فقط لشطب الهراء. ثم لم يضطر الروبوت إلا للبحث في القواعد المتبقية والمنطقية. وفي كثير من الحالات، وجد الروبوت الإجابة في ثانيتين.
الخلاية
يدعي البحث أنه من خلال استخدام الاستدلال المنطقي لتنظيف "النفايات" من كتاب القواعد قبل بدء التعلم، يمكنهم جعل عملية التعلم أسرع بمقدار 1,800 مرة دون فقدان أي دقة. لقد أثبتوا أنهم لا يرمون أبداً أي قاعدة "جيدة"؛ هم فقط يرمون القواعد "السيئة" التي لا يمكن أن تكون أبداً هي الحل الأفضل.
القيود الهامة المذكورة:
يشير البحث إلى أن هذا يعمل بشكل أفضل عندما تكون المعرفة الخلفية محدودة (مثل قائمة من الحقائق) ويفترض أن ما ليس مكتوباً هو خطأ (عالم مغلق). إذا كان العالم لانهائياً أو مليئاً بالضجيج، فقد يرتبك هذا المحرر تحديداً. ولكن بالنسبة للمهام التي اختبروها، فقد كان نجاحاً هائلاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.