课程诱导式学习

于红博

摘要: Abductive Learning (ABL)将机器学习与逻辑推理结合在一个循环中：一个学习模型从原始输入中预测符号概念标签，然后通过使用领域知识进行绑架修正，然后反馈进行重新训练。然而，由于绑架的不确定性，训练过程经常在知识库庞大且复杂时受到不稳定性的影响，导致绑架空间过大。尽管之前的工作侧重于改善这个空间内的候选选择，但它们通常将知识库视为静态黑盒。在本研究中，我们提出了课程绑架学习（C-ABL）方法，该方法明确利用知识库的内部结构来解决ABL训练挑战。C-ABL将知识库划分为一系列子库，在训练过程中逐步引入。这在整个训练过程中减少了绑架空间，并使模型能够逐步、平滑地整合逻辑。跨多个任务的实验证明，C-ABL优于以前的ABL实现，在复杂知识设置下显着提高了训练稳定性、收敛速度和最终准确性。

更新时间: 2025-10-30 17:06:21

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2505.12275v2