The main contribution of this work

The main contribution of this work is the proposal of a system that attempts to combine inductive
learning with prior knowledge and reasoning in a unified framework. The model described in [22, 23]
is a connectionist approach to implementing the form of reasoning discussed above (with forward
chaining). However, this model only deals with representational issues, and not learning. ILA's
reasoning power is more limited, but the system is able to learn from examples. ILA's inductive
learning is similar to NGE [20], but ILA uses hyperplanes rather than hyperrectangles as generalized
exemplars. ILA also bears some resemblance with IBL [2], in the similarity measure used. However,
ILA also incorporates prior knowledge and must provide mechanisms to support reasoning. Finally, if
no rules are induced from the examples in learning, then ILA degenerates to a simplified form of MBR
[21].
Section 2 introduces ILA, presents an example, and gives a comparison of ILA with other related
work. Section 3 presents several simulation results on many real-world datasets. Section 4 discusses
each of the above issues in detail, as well as some of the difficulties associated with ILA, such as the
ordering of information in learning. Finally, section 5 concludes the paper.

ผลลัพธ์ (ไทย) 1:

สัดส่วนหลักของงานนี้คือ ข้อเสนอของระบบที่พยายามรวมเชิงอุปนัยเรียนรู้กับความรู้เดิม และใช้เหตุผลในกรอบการรวม แบบจำลองที่อธิบายไว้ใน [22, 23]เป็นวิธีการนำรูปแบบของเหตุผลที่กล่าวถึงข้างต้น (มีไป connectionistการกำหนดสายงาน) อย่างไรก็ตาม รุ่นนี้เท่านั้นเกี่ยวข้องกับ representational ปัญหา และการเรียนรู้ไม่ ของ ILAเหตุผลอำนาจถูกจำกัดมากขึ้น แต่ระบบก็สามารถเรียนรู้จากตัวอย่าง ILA ของเชิงอุปนัยเรียนเหมือนกับ NGE [20], แต่ ILA ใช้ hyperplanes แทนที่เป็น hyperrectangles เป็นการตั้งค่าทั่วไปexemplars การ ILA หมีบางรูป มี IBL [2], ในการวัดความคล้ายคลึงกันใช้ยัง อย่างไรก็ตามILA ยังรวมเอาความรู้เดิม และต้องมีกลไกเพื่อสนับสนุนการใช้เหตุผล ในที่สุด ถ้ากฎไม่ได้เกิดจากตัวอย่างในการเรียนรู้ แล้ว ILA degenerates ฟอร์มที่เรียบง่ายของ MBR[21]ส่วน 2 แนะนำ ILA แสดงตัวอย่าง และให้เปรียบเทียบ ILA กับอื่น ๆ ที่เกี่ยวข้องทำงาน หมวดที่ 3 นำเสนอผลการทดลองหลายบน datasets จริงมาก 4 ส่วนที่กล่าวถึงแต่ละปัญหาข้างต้นในรายละเอียด รวมทั้งบางส่วนของปัญหาที่เกี่ยวข้องกับ ILA เช่นการเรียงลำดับของข้อมูลในการเรียนรู้ สุดท้าย ส่วนที่ 5 สรุปกระดาษ

ผลลัพธ์ (ไทย) 2:

สนับสนุนหลักของงานนี้เป็นข้อเสนอของระบบที่พยายามที่จะรวมเหนี่ยวนำการเรียนรู้ที่มีความรู้ก่อนและให้เหตุผลในกรอบแบบครบวงจร รูปแบบที่อธิบายไว้ใน [22 23]
เป็นวิธีการที่จะดำเนินการ connectionist รูปแบบของการให้เหตุผลที่กล่าวข้างต้น
(ไปข้างหน้าด้วยการผูกมัด) แต่รุ่นนี้เฉพาะกับปัญหาการดำเนินการและไม่เรียนรู้ ILA
ของอำนาจเหตุผลจะถูกจำกัด มากขึ้น แต่ระบบสามารถที่จะเรียนรู้จากตัวอย่าง อุปนัย ILA
ของการเรียนรู้ที่มีความคล้ายคลึงกับNge [20] แต่ ILA ใช้ hyperplanes มากกว่า hyperrectangles
ทั่วไปเป็นโคลง ILA ยังมีความคล้ายคลึงบางอย่างกับ IBL [2] ในการวัดความคล้ายคลึงกันใช้ อย่างไรก็ตาม
ILA ยังรวมเอาความรู้ก่อนและต้องจัดให้มีกลไกในการสนับสนุนการให้เหตุผล สุดท้ายหากกฎไม่ได้รับการชักนำจากตัวอย่างในการเรียนรู้แล้ว ILA เสื่อมไปเป็นรูปแบบที่เรียบง่ายของ MBR [21]. ส่วนที่ 2 แนะนำ ILA นำเสนอตัวอย่างและให้เปรียบเทียบกับ ILA อื่น ๆ ที่เกี่ยวข้องในการทำงาน ส่วนที่ 3 นำเสนอผลการจำลองหลายชุดข้อมูลที่แท้จริงของโลกจำนวนมาก หมวดที่ 4 กล่าวถึงแต่ละประเด็นดังกล่าวข้างต้นในรายละเอียดเช่นเดียวกับบางส่วนของปัญหาที่เกี่ยวข้องกับILA เช่นการสั่งซื้อของข้อมูลในการเรียนรู้ สุดท้ายมาตรา 5 สรุปกระดาษ

ผลลัพธ์ (ไทย) 3:

ส่วนหลักของงานนี้คือข้อเสนอของระบบที่พยายามที่จะรวมการเรียนรู้แบบอุปนัย
ก่อนที่ความรู้และเหตุผลในการรวมกรอบ แบบจำลองที่อธิบายไว้ใน [ 22 , 23 ]
เป็นคอนเนคชันนิ ์วิธีการการใช้รูปแบบของการให้เหตุผลที่กล่าวข้างต้น ( ข้างหน้า
การผูกมัด ) อย่างไรก็ตาม แบบจำลองนี้เกี่ยวข้องกับประเด็นที่ดำเนินการ และไม่ได้ไปเรียน ด้านหน้าของ
เหตุผล คือ อำนาจ จำกัด มากขึ้น แต่ระบบสามารถเรียนรู้จากตัวอย่าง ไอลาเรียนอุปนัย
คล้ายกับแง [ 20 ] แต่ด้านหน้าใช้ hyperplanes มากกว่า hyperrectangles เป็น generalized
Exemplars . ไอลายังหมีบางเหมือน IBL [ 2 ] ในความเหมือนวัดที่ใช้ อย่างไรก็ตาม
ไอลายังประกอบด้วยความรู้เดิม และต้องมีกลไกสนับสนุนการใช้เหตุผล สุดท้าย ถ้า
ไม่มีกฎที่เกิดจากตัวอย่างในการเรียนรู้ แล้วไอลา degenerates เพื่อง่ายในรูปแบบของ MBR
[ 21 ] .
ส่วนด้านหน้า 2 ตัว เสนอตัวอย่าง และให้เปรียบเทียบกับงานอื่น ๆที่เกี่ยวข้องกับด้านหน้า

ส่วนที่ 3 แสดงผลข้อมูลหลาย - หลาย ส่วนที่ 4 กล่าวถึง
แต่ละประเด็นข้างต้นในรายละเอียด รวมทั้งบางส่วนของปัญหาที่เกี่ยวข้องกับ ILA ,เช่น
สั่งข้อมูลในการเรียนรู้ ในที่สุด ส่วนที่ 5 สรุปกระดาษ .