结构化机器学习解读.docx

结构化机器学习：未来的十年Thomas G. Dietterich · Pedro Domingos · Lise Getoor · Stephen Muggleton · Prasad TadepalliReceived: 25 October 2007 / Accepted: 2 February 2008 / Published online: 20 August 2008 Springer Science+Business Media, LLC 2008摘要归纳逻辑编程的领域（ILP）已取得稳步进展，自从1991第一次ILP车间，一个基于平衡发展理论、实现与应用。最近，人们越来越重视概率方法和统计关系学习的相关领域（SRL）和结构预测。本文的目标是考虑这些新出现的趋势和图表的战略方向和开放的问题，为未来10年更广泛的领域的结构化机器学习。关键词 归纳逻辑程序，关系学习，统计关系学习，结构化机器学习Editors: Hendrik Blockeel, Jude Shavlik.T.G. Dietterich · P. Tadepalli Oregon State University, Corvallis, OR, USAe-mail: tadepall@ url: /~tadepallT.G. Dietterich e-mail: tgd@url: /~tgdP. DomingosUniversity of Washington, Seattle, WA, USA e-mail: pedrod@ url: /homes/pedrodL. GetoorUniversity of Maryland, College Park, MD, USAe-mail: getoor@ url: /~getoorS. MuggletonImperial College, London, UK e-mail: shm@doc.ic.ac.uk url: http://www.doc.ic.ac.uk/~shm1引言 结构化机器学习是指以一个或多个关系的形式，以丰富的内部结构，从数据中学习结构化的假设。在一般情况下，数据可能包括结构化的输入，以及输出，其中可能是不确定的，嘈杂的，或丢失的部分。这些方法的应用包括各种任务，如学习分析和翻译句子（梁等。2006）、分子药理性能预测（Finn等人。1998），和解释视觉场景（蕨类和了2006）。而作为归纳逻辑编程部分研究传统（ILP），出现了一大批在结构化机器学习在最近几年由几个专门车间为例，兴趣和至少三个编辑卷纸（Bakir等人。2007；getoor和德嘉2007；德Raedt等人。2008）。通过解决学习的背景下，丰富的陈述，允许复杂的推理，结构化的机器学习提供了最好的机会，为构建集成的人工智能系统提供的工具。 机器学习研究涉及结构化表示的开始。在识别类比伊万斯早期工作（伊万斯1968），温斯顿关于学习结构化的分类工作（温斯顿1975），对学习规划的宏观运营商（Fikes等人的研究。1972），和认知科学工作的安西和西蒙学习解决问题（安西和西蒙1979）是著名的结构化学习。也许更重要的是，对逻辑公式归纳概括Plotkin工作（金1969），和夏皮罗的自动调试工作（夏皮罗1983）被证明是非常有影响力的归纳逻辑编程（ILP）后来的发展。 在八十年代的“归纳学习”和“解释性学习”这两个问题上，继续在八十年代的学习中继续学习。在归纳学习，寻求一个逻辑理论，需要所有正例和不需要的负面的例子（Dietterich和Michalski 1985）。解释为基础的学习，另一方面是演绎，在该系统已经有背景知识，需要所有的积极的例子。然而，背景知识是一个棘手的形式和目标是找到一个高效的专业化，这是足够的，需要所有的积极的例子（米切尔等。1986；DeJong和穆尼1986）。归纳逻辑程序设计（ILP）概括归纳和演绎的方法找出一个逻辑理论带来的正面的例子（而不是负面的例子），结合背景知识（Muggleton和丰1990；昆兰1990）。看到一个规范的制约关系，通过这些方法表1，其中B是背景知识，ξ+和ξ?是正面和负面的例子分别与H是一个假设，从假设空间H系列研讨会ILP自1991中已启用的逻辑关系表示学习深入探索。一些ILP系统开发，和几个应用程序被证明（例如，见Muggleton德Raedt的1994；lavrac和D?公司ˇ1994）。明确的条款喇叭节目的假设的选择，虽然也被认为是更具表现力的语言概括。 通过一个具体的例子来追溯这一领域的发展是有益的。考虑词性标注任务（POS）在自然语言处理。问题是，在一个句子中，把语音的话正确的零件例如，在句子“约翰去银行的话，会给标签序列“N