ترجمه فارسی مقاله شبکه های عصبی ثابت انتساب متغیر برای برنامه های منطقی یادگیری

چکیده

Learning from interpretation transition (LFIT) is a framework for learning rules from observed state transitions. LFIT has been implemented in purely symbolic algorithms, but they are unable to deal with noise or generalize to unobserved transitions. Rule extraction based neural network methods suffer from overfitting, while more general implementation that categorize rules suffer from combinatorial explosion. In this paper, we introduce a technique to leverage variable permutation invariance inherent in symbolic domains. Our technique ensures that the permutation and the naming of the variables would not affect the results. We demonstrate the effectiveness and the scalability of this method with various experiments. Our code is publicly available at https://github.com/phuayj/delta-lfit-2

چکیده به فارسی (ترجمه ماشینی)

یادگیری از انتقال تفسیر (LFIT) چارچوبی برای یادگیری قوانین از انتقال حالت مشاهده شده است.LFIT در الگوریتم های صرفاً نمادین اجرا شده است ، اما آنها قادر به مقابله با سر و صدا یا تعمیم در انتقال های بدون نظارت نیستند.روشهای شبکه عصبی مبتنی بر استخراج قانون از افزایش بیش از حد رنج می برند ، در حالی که اجرای عمومی تر که طبقه بندی قوانین را طبقه بندی می کنند از انفجار ترکیبی رنج می برند.در این مقاله ، ما یک تکنیک را برای استفاده از تغییر مکان متغیر ذاتی در حوزه های نمادین معرفی می کنیم.تکنیک ما تضمین می کند که جابجایی و نامگذاری متغیرها بر نتایج تأثیر نمی گذارد.ما اثربخشی و مقیاس پذیری این روش را با آزمایش های مختلف نشان می دهیم.کد ما به صورت عمومی در https://github.com/phuayj/delta-lfit-2 در دسترس است