第九章 解释学习.ppt

高级人工智能-解释学习 史忠植 高级人工智能 内容 8.1 概述 解释学习 解释学习 为什么要用EBL 基本的EBL 解释学习 解释的含义 解释的方法 EBL的效率 8.2 解释学习模型 可操作特性 解释学习的模型 8.3 解释泛化学习方法 EBL方法 例子 SAFE-TO-STACK(OBJ1,OBJ2)解释树 SAFE-TO-STACK(OBJ1,OBJ2)解释的泛化过程 解释与泛化交替进行 8.4 全局取代解释泛化方法 STRIPS的例子 三角表 STRIPS的解释泛化算法 STRIPS的解释泛化算法 泛化三角表 EGGS方法 EGGS问题描述 泛化过程的形式化描述 泛化过程的形式化描述 EGGS解释泛化算法 The EGGS Algorithm (Mooney, 1986) bindings = { } FOR EVERY equality between patterns P and Q in explanation DO bindings = unify(P,Q,bindings) FOR EVERY pattern P DO P = substitute-in-values(P,bindings) Collect leaf nodes and the goal node 8.5 解释特化学习方法 PRODIGY体系结构 PRODIGY的学习 8.6 解释泛化的逻辑程序 Turbo Prolog的合一算法 解释泛化的逻辑程序设计 Prolog简单的元解释器 EBG程序 例子“自杀” suicide(john)的解释结构 目标概念suicide(x)的泛化过程 8.7 基于知识块的SOAR系统 SOAR的体系结构 Problem-Space Search Problem space: Start state, goal state Operators (actions that transform state) Soar assumption: every cognitive behavior can be characterized as search for a sequence of operators leading from a start state to a goal state Routine behavior Problem-solving Meta-cognition / search control “Universal weak method” Impasse-driven deliberation and learning Soar’s standard process for selecting action includes several intermediate decision points If each such decision is completely determined by existing productions, the action is “routine” Underdetermined decisions (zero or multiple conflicting productions) create an “impasse” Results in deliberation (e.g. problem space search) Results in learning a new rule that prevents impasse in future similar situations Processing Processing: Subgoals Representation and MethodologyMemories 九宫问题 求解过程 8.8 可操作性标准 PRODIGY的效用 SOAR系统的可操作性 MRS-EBG的可操作性 META-LEX的处理方法 8.9 不完全领域知识下的解释学习 逆归结方法 逆归结方法 逆归结方法 逆归结方法 EBL and unification grammar: example S:[] -- NP:[num=N, pers=P], VP:[num=N, pers=P] VP:[num=N, pers=P] -- V:[type=trans, num=N, pers=P], NP:[] NP:[num=sing, pers=3] -- NAME:[] NP:[num=N, pers=3] -- DET:[num=N], NBAR:[num=N] NBAR:[num=N] -- ADJ:[], NBAR:[num=N] Example, contd. N