Honey, I shrunk the hypothesis space (through logical preprocessing)
Dieser Beitrag stellt einen logischen Vorverarbeitungsansatz unter Verwendung von Answer-Set-Programmierung vor, der unmögliche Regeln aus dem Hypothesenraum von Systemen des induktiven logischen Programmierens eliminiert, wodurch die Lernzeiten in verschiedenen Domänen drastisch reduziert werden, während die Vorhersagegenauigkeit erhalten bleibt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, ein neues Spiel zu spielen. Sie geben dem Roboter eine Regelanleitung (Hintergrundwissen) und einige Beispiele für gute und schlechte Züge (Trainingsdaten). Die Aufgabe des Roboters besteht darin, seinen eigenen Regelkatalog zu erstellen, um das Spiel zu gewinnen.
Das Problem ist, dass der Roboter zu eifrig ist. Er versucht, jede einzelne mögliche Regel zu formulieren, an die er denken kann, sogar die, die offensichtlich Unsinn sind. Er könnte versuchen, eine Regel zu schreiben, die besagt: „Wenn eine Zahl sowohl gerade als auch ungerade ist, dann gewinnst du." Da keine Zahl sowohl gerade als auch ungerade ist, ist diese Regel nutzlos. Doch der Roboter weiß das noch nicht, also verschwendet er Stunden damit, sie zu überprüfen.
Dieser Artikel stellt ein cleveres „Vorab-Prüf"-System namens Shrinker vor. Betrachten Sie Shrinker als einen sehr strengen Lektor, der den Regelkatalog des Roboters bevor der Roboter überhaupt mit dem Schreiben beginnt, durchsieht. Der Lektor sagt: „Stopp! Wir wissen mit Sicherheit, dass bestimmte Wortkombinationen basierend auf den Regeln unseres Universums niemals Sinn ergeben können. Streichen wir diese sofort durch, damit der Roboter keine Zeit verschwendet."
Hier ist, wie der Artikel diesen Prozess anhand von vier Arten von „nutzlosen Regeln" erklärt, die er ausschließt:
1. Die unmöglichen Regeln (Unbefriedigbar)
Stellen Sie sich eine Regel vor, die besagt: „Wenn ein Quadrat rund ist, dann gewinnst du."
In unserer Welt kann ein Quadrat niemals rund sein. Dies ist eine logische Unmöglichkeit.
Die Analogie: Es ist wie der Versuch, ein Haus aus Wasser zu bauen. Egal wie sehr Sie sich bemühen, es wird niemals stehen bleiben.
Was Shrinker tut: Er betrachtet das Hintergrundwissen (die Fakten, von denen wir wissen, dass sie wahr sind) und erkennt: „Hey, 'Quadrat' und 'rund' schließen sich gegenseitig aus." Er löscht jede Regel, die versucht, diese zu kombinieren, bevor der Roboter sie überhaupt in Betracht zieht.
2. Die redundanten Regeln (Implikationsreduzierbar)
Stellen Sie sich eine Regel vor, die besagt: „Wenn eine Zahl eine Primzahl größer als 2 ist und sie ungerade ist, dann gewinnst du."
Nun, wenn eine Zahl eine Primzahl größer als 2 ist, muss sie ungerade sein. Sie müssen nicht sagen „und sie ist ungerade", weil dies bereits impliziert ist. Es ist wie zu sagen: „Wenn Sie ein Junggeselle sind und Sie unverheiratet sind, dann gewinnst du." Ein Junggeselle zu sein bedeutet, dass Sie unverheiratet sind.
Die Analogie: Es ist wie das Packen eines Koffers, bei dem Sie einen „Wintermantel" hineinlegen und dann auch noch eine „schwere Jacke" packen und sagen: „Und außerdem brauche ich eine schwere Jacke." Sie brauchen nur eine davon; die zweite ist nur zusätzliches Gewicht.
Was Shrinker tut: Er erkennt diese „zusätzlichen Gewichts"-Wörter und entfernt sie, wodurch die Regeln kürzer und schneller zu überprüfen werden.
3. Die „Einzel"-Regeln (Erinnerungsreduzierbar)
Stellen Sie sich eine Regel vor, die besagt: „Wenn eine Person eine Mutter namens Alice hat und dieselbe Person eine Mutter namens Bob hat, dann gewinnst du."
In der realen Welt hat eine Person normalerweise nur eine biologische Mutter. Wenn das Hintergrundwissen besagt, dass eine Person eine Mutter hat, ist diese Mutter eindeutig. Sie können nicht zwei verschiedene Mütter für denselben Platz haben.
Die Analogie: Es ist wie ein Schloss, das nur einen Schlüssel hat. Wenn Sie versuchen, zwei verschiedene Schlüssel gleichzeitig zu verwenden, um es zu öffnen, wissen Sie sofort, dass etwas nicht stimmt.
Was Shrinker tut: Er zählt, wie oft Dinge passieren können. Wenn er weiß, dass eine Person nur eine Mutter haben kann, löscht er jede Regel, die versucht, zwei verschiedene Mütter für dieselbe Person aufzulisten.
4. Die „Immer-wahr"-Regeln (Singleton-reduzierbar)
Stellen Sie sich eine Regel vor, die besagt: „Wenn eine Liste eine Länge hat, dann gewinnst du."
Nun, jede Liste hat eine Länge. Es ist eine Tatsache des Lebens. Zu prüfen, ob eine Liste eine Länge hat, ist wie zu prüfen, ob ein Fisch Wasser hat. Es ist immer wahr, also hilft es Ihnen nicht, zwischen einem Gewinnzug und einem Verlustzug zu unterscheiden.
Die Analogie: Es ist wie ein Sicherheitsbeamter, der prüft, ob ein Gebäude ein Dach hat. Jedes Gebäude hat ein Dach, also sagt diese Prüfung dem Beamten nichts darüber aus, ob das Gebäude sicher ist oder nicht. Es ist eine Zeitverschwendung.
Was Shrinker tut: Er identifiziert diese „immer-wahr"-Prüfungen und entfernt sie, da sie keinen Mehrwert für den Entscheidungsprozess bieten.
Das Ergebnis: Ein massiver Geschwindigkeitsschub
Der Artikel testete diesen „Shrinker"-Lektor an vielen verschiedenen Aufgaben, von visuellen Denkrätseln bis hin zum Erlernen der Regeln von Brettspielen.
- Ohne Shrinker: Der Roboter (ein ILP-System namens Popper) brauchte manchmal 10 Stunden, um die richtige Antwort zu finden, weil er durch Millionen nutzloser, unmöglicher oder redundanter Regeln wühlte.
- Mit Shrinker: Der Lektor brauchte nur 10 Sekunden, um den Unsinn zu streichen. Dann musste der Roboter nur noch die verbleibenden, sinnvollen Regeln durchsuchen. In vielen Fällen fand der Roboter die Antwort in 2 Sekunden.
Das Fazit
Der Artikel behauptet, dass durch die Verwendung logischer Schlussfolgerungen, um den „Müll" im Regelkatalog bevor das Lernen beginnt, aufzuräumen, der Lernprozess um das 1.800-fache beschleunigt werden kann, ohne an Genauigkeit zu verlieren. Sie bewiesen, dass sie niemals eine „gute" Regel wegwerfen; sie werfen nur die „schlechten" weg, die niemals die beste Lösung sein könnten.
Wichtige erwähnte Einschränkungen:
Der Artikel stellt fest, dass dies am besten funktioniert, wenn das Hintergrundwissen endlich ist (wie eine Liste von Fakten) und davon ausgeht, dass das, was nicht niedergeschrieben ist, falsch ist (eine „geschlossene Welt"). Wenn die Welt unendlich oder verrauscht ist, könnte dieser spezifische Lektor verwirrt werden. Aber für die Aufgaben, die sie testeten, war es ein massiver Erfolg.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.