AI 词汇表
人工智能完整词典
归纳逻辑编程 (PLI)
一种机器学习范式，它结合了逻辑编程和机器学习，旨在从示例和背景知识中归纳出逻辑理论，如规则或程序。
约束学习
一种学习框架，其中模型是通过满足一组从数据中派生出的约束条件来构建的，常用于构建复杂问题的搜索空间结构。
背景理论
提供给归纳逻辑编程（PLI）系统的既有事实、规则和定义的集合，用以引导归纳过程并约束学习到的假设。
正例和反例
PLI中的训练数据，其中正例是目标概念需要覆盖的实例，而反例是目标概念需要避免的实例。
归纳假设
由PLI系统生成的规则或逻辑程序，它能解释正例，同时与反例和背景理论保持一致。
覆盖规则
一种归纳策略，首先学习一条规则以覆盖一部分正例，然后移除这些示例并重复该过程，直到所有示例都被覆盖。
特化与泛化
PLI中的基本操作，用于在假设空间中导航；泛化会扩大规则的覆盖范围，而特化则会缩小其范围以避免覆盖反例。
归纳偏置
一组约束或假设，用于限制PLI中可能的假设空间；它对于使学习变得可行并引导系统找到相关解决方案至关重要。
PLI系统 (ILP System)
实现归纳逻辑规划算法的软件，如Progol、Aleph或TILDE，能够从数据中归纳出逻辑。
模型解释性
PLI的关键优势，学习到的模型是明确的逻辑规则集合，易于人类理解，不同于黑盒模型。
关系学习
机器学习的子领域，处理由对象之间的关系描述的数据，PLI特别适合这种场景。
自下而上推导
PLI中的归纳方法，从一个具体的正例开始，逐步泛化子句以覆盖更多示例，如GOLEM算法所示。
自上而下推导
PLI中的归纳方法，从一个非常通用的子句开始，专门化以排除负例，如Progol等系统的典型方法。
最小压缩原理(MDL)
PLI中的评估标准，偏好提供理论复杂度和数据编码能力最佳平衡的假设，目标是最短压缩。
程序学习(程序合成)
PLI的应用，旨在从规范或输入/输出示例中自动发现可执行的计算机程序。
理论修订
PLI中的任务，通过添加、删除或修改规则来修改现有逻辑理论，使其与新观察结果保持一致。
谓词定义学习
归纳逻辑程序设计中的主要目标，即从示例和背景知识中学习目标谓词（如 `parent(X,Y)`）的逻辑定义。
失败即否定
逻辑程序设计中的概念，当对应肯定条件无法证明时，否定条件被视为真，常用于归纳逻辑程序设计的假设中。
假设搜索空间
归纳逻辑程序设计算法可以探索的所有可能逻辑子句的集合，使用泛化或特化等策略进行结构化和遍历。