解释学习与深度学习-智能科学.pdfVIP

高级人工智能 第九章 解释学习 与深度学习 Explanation-Based Learning and Deep Learning 史忠植 中国科学院计算技术研究所 内容提要 9.1 概述 9.2 解释学习模型 9.3 解释泛化学习方法 9.4 全局取代解释泛化方法 9.5 解释特化学习方法 9.6 解释泛化的逻辑程序 9.7 不完全领域知识下的解释学习 9.8 深度学习 2015/4/30 高级人工智能-解释学习 史忠植 2 9.1 概述 基于解释的学习：  一种从单个观察中抽象出通用规则的方法  目标是下次可以快速地解决类似的问题  记忆——通过保存结果和避免从零开始解 决问题来提高速度  更进一步EBL从观察到规则 2015/4/30 高级人工智能-解释学习 史忠植 3 解释学习 解释学习(Explanation-Based Learning, 简称EBL)是一种分析学习方法，在领域 知识指导下, 通过对单个问题求解实例 的分析, 构造出求解过程的因果解释结 构, 并获取控制知识,以便用于指导以后 求解类似问题。 2015/4/30 高级人工智能-解释学习 史忠植 4 解释学习 1983年美国Illinois大学的DeJong提出。 1986年, Mitchell, Keller 和 Kedar-Cabelli 提出了解 释的泛化(Explanation-Based Generalization, 简称 EBG)的统一框架, 1986年DeJong 和Mooney提出全局取代解释泛化 Explanation Generalization using Global Substitutions, 缩写EGGS) 方法 1987年卡耐基-梅隆大学的Minton 和 Carbonell提出解释 特化 (Explanation-Based Specialization，简写EBS) 2015/4/30 高级人工智能-解释学习 史忠植 5 学习方法 为什么要用EBL  解释为什么一个想法是好的比提出一个想法容 易得多  一旦理解了一件事，就可以泛化并重用于其它 情况  从例子中抽象出通用规则  通过对一棵证明树的常量变量化, EBL可以同时 创建两棵证明树 2015/4/30 高级人工智能-解释学习 史忠植 6 基本的EBL  给定一个例子，使用背景知识构建一棵证明 树  同时，为可变化的目标构建一棵泛化证明树  构建一条新规则（叶子 = 根）  去掉所有与目标中变量真正无关的条件 2015/4/30 高级人工智能-解释学习 史忠植 7