Learning probabilistic logic models from probabilistic examples

doi:10.1007/s10994-008-5076-4

2008-08-06

Jianzhong Chen *

Stephen Muggleton

José Sántos

DOI：10.1007/s10994-008-5076-4

原文链接

原文求助

摘要

En 中文

我们重新审视了最初使用归纳逻辑编程 (ILP) 开发的应用程序，用于对代谢网络中的抑制进行建模。示例数据来源于毒素对大鼠的影响的研究，使用核磁共振 (NMR) 时间跟踪分析其生物流体以及代表京都基因和基因组百科全书 (KEGG) 子集的背景知识。现在，我们将两种概率ILP (PILP) 方法-演绎随机逻辑程序 (slp) 和统计建模编程 (PRISM) 应用于该应用。这两种方法都支持绑架学习和概率预测。外展slp是一个PILP框架，通过外展为slp提供可能的世界语义。本文采用的PILP方法不是像ILP那样从非概率示例中学习逻辑模型，而是基于一种通用技术，该技术用于在涉及控制和处理数据的标准科学实验设置中引入概率标签。我们的结果表明，PILP方法提供了一种从概率示例中学习概率逻辑模型的方法，并且与从非概率示例中学习的PILP模型相比，从概率示例中学习的PILP模型可以显着减少错误，并改善学习结果的洞察力。概率示例。

Keyword:

probabilistic inductive logic programming

stochastic logic programs

abduction

probabilistic examples