Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Understanding Characteristics of Evolved Instances for State-of-the-Art Inexact TSP Solvers with Maximum Performance Difference Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

A Model+Solver Approach to Concept Learning

verfasst von : Francesca Alessandra Lisi

Erschienen in: AI*IA 2016 Advances in Artificial Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Many Concept Learning problems can be seen as Constraint Satisfaction Problems (CSP). In this paper, we propose a model+solver approach to Concept Learning which combines the efficacy of Description Logics (DLs) in conceptual modeling with the efficiency of Answer Set Programming (ASP) solvers in dealing with CSPs.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Self-Adaptive Context-Aware Group Recommender System
Nächstes Kapitel A Comparative Study of Inductive and Transductive Learning with Feedforward Neural Networks
Fußnoten
Literatur
1.
2.
De Raedt, L., Guns, T., Nijssen, S.: Constraint programming for data mining and machine learning. In: Fox, M., Poole, D. (eds.) Proceedings of the Twenty-Fourth AAAI Conference on Artificial Intelligence, AAAI 2010, 11–15 July 2010. AAAI Press, Atlanta (2010)
3.
4.
De Raedt, L.: Languages for learning and mining. In: Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence, 25–30 January 2015, Austin, Texas, USA, pp. 4107–4111 (2015)
5.
Baader, F., Calvanese, D., McGuinness, D., Nardi, D., Patel-Schneider, P. (eds.): The Description Logic Handbook: Theory, Implementation and Applications, 2nd edn. Cambridge University Press, New York (2007)MATH
6.
Calimeri, F., Gebser, M., Maratea, M., Ricca, F.: Design and results of the fifth answer set programming competition. Artif. Intell. 231, 151–181 (2016)MathSciNetCrossRefMATH
7.
Lisi, F.A.: A declarative modeling language for concept learning in description logics. In: Riguzzi, F., Železný, F. (eds.) ILP 2012. LNCS (LNAI), vol. 7842, pp. 151–165. Springer, Heidelberg (2013). doi:10.​1007/​978-3-642-38812-5_​11 CrossRef
8.
Horrocks, I., Patel-Schneider, P.F., Harmelen, F.: From SHIQ and RDF to OWL: the making of a web ontology language. J. Web Semant. 1(1), 7–26 (2003)CrossRef
9.
Horrocks, I., Kutz, O., Sattler, U.: The even more irresistible SROIQ. In: Doherty, P., Mylopoulos, J., Welty, C.A. (eds.) Proceedings, Tenth International Conference on Principles of Knowledge Representation and Reasoning, Lake District of the United Kingdom, 2–5 June 2006, pp. 57–67. AAAI Press (2006)
10.
Borgida, A.: On the relative expressiveness of description logics and predicate logics. Artif. Intell. 82(1–2), 353–367 (1996)MathSciNetCrossRef
11.
12.
Küsters, R. (ed.): Non-Standard Inferences in Description Logics. LNCS (LNAI), vol. 2100. Springer, Heidelberg (2001)MATH
13.
Lutz, C., Sattler, U., Tendera, L.: The complexity of finite model reasoning in description logics. Inf. Comput. 199(1–2), 132–171 (2005)MathSciNetCrossRefMATH
14.
Gaggl, S.A., Rudolph, S., Schweizer, L.: Bound your models! how to make OWL an ASP modeling language. CoRR abs/1511.00924 (2015)
15.
Gelfond, M., Lifschitz, V.: Classical negation in logic programs and disjunctive. New Gener. Comput. 9(3/4), 365–386 (1991)CrossRefMATH
16.
Brewka, G., Eiter, T., Truszczynski, M.: Answer set programming at a glance. Commun. ACM 54(12), 92–103 (2011)CrossRef
17.
Lehmann, J., Hitzler, P.: Concept learning in description logics using refinement operators. Mach. Learn. 78(1–2), 203–250 (2010)MathSciNetCrossRef
18.
Michalski, R.: Pattern recognition as a rule-guided inductive inference. IEEE Trans. Pattern Anal. Mach. Intell. 2(4), 349–361 (1980)CrossRefMATH
19.
Colucci, S., Di Noia, T., Di Sciascio, E., Donini, F.M., Ragone, A.: A unified framework for non-standard reasoning services in description logics. In: Coelho, H., Studer, R., Wooldridge, M. (eds.) ECAI 2010–19th European Conference on Artificial Intelligence, Lisbon, Portugal, 16–20 August 2010, Proceedings, Frontiers in Artificial Intelligence and Applications, vol. 215, pp. 479–484. IOS Press (2010)
20.
21.
Kazakov, Y.: \({\cal{RIQ}}\) and \({\cal{SROIQ}}\) are harder than \({\cal{SHOIQ}}\). In: Principles of Knowledge Representation and Reasoning: Proceedings of the Eleventh International Conference, KR 2008, Sydney, Australia, September 16-19, 2008, pp. 274–284 (2008)
22.
Motik, B., Shearer, R., Horrocks, I.: Hypertableau reasoning for description logics. J. Artif. Intell. Res. 36, 165–228 (2009)MathSciNetMATH
23.
Raedt, L., Nijssen, S., O’Sullivan, B., Hentenryck, P.: Constraint programming meets machine learning and data mining (Dagstuhl seminar 11201). Dagstuhl Rep. 1(5), 61–83 (2011)
24.
Nijssen, S., Guns, T., De Raedt, L.: Correlated itemset mining in ROC space: a constraint programming approach. In: Elder IV, J.F., Fogelman-Soulié, F., Flach, P.A., Zaki, M.J. (eds.) Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Paris, France, June 28 - July 1, 2009, pp. 647–656. ACM (2009)
25.
Guns, T., Nijssen, S., Raedt, L.: Evaluating pattern set mining strategies in a constraint programming framework. In: Huang, J.Z., Cao, L., Srivastava, J. (eds.) PAKDD 2011. LNCS (LNAI), vol. 6635, pp. 382–394. Springer, Heidelberg (2011). doi:10.​1007/​978-3-642-20847-8_​32 CrossRef
26.
Guns, T., Nijssen, S., Raedt, L.: Itemset mining: a constraint programming perspective. Artif. Intell. 175(12–13), 1951–1983 (2011)MathSciNetCrossRefMATH
27.
Guns, T., Nijssen, S., Raedt, L.: k-pattern set mining under constraints. IEEE Trans. Knowl. Data Eng. 25(2), 402–418 (2013)CrossRef
28.
Guns, T., Dries, A., Tack, G., Nijssen, S., De Raedt, L.: MiningZinc: a modeling language for constraint-based mining. In: Rossi, F. (ed.) IJCAI 2013, Proceedings of the 23rd International Joint Conference on Artificial Intelligence, 3–9 August 2013, IJCAI/AAAI, Beijing, China (2013)
29.
Bruynooghe, M., Blockeel, H., Bogaerts, B., Cat, B., Pooter, S., Jansen, J., Labarre, A., Ramon, J., Denecker, M., Verwer, S.: Predicate logic as a modeling language: modeling and solving some machine learning and data mining problems with IDP3. Theory Pract. Logic Program. 15(6), 783–817 (2015)MathSciNetCrossRefMATH
30.
Muggleton, S.H., Lin, D., Pahlavi, N., Tamaddoni-Nezhad, A.: Meta-interpretive learning: application to grammatical inference. Mach. Learn. 94(1), 25–49 (2014)MathSciNetCrossRefMATH
31.
Muggleton, S.H., Lin, D., Tamaddoni-Nezhad, A.: Meta-interpretive learning of higher-order dyadic datalog: predicate invention revisited. Mach. Learn. 100(1), 49–73 (2015)MathSciNetCrossRefMATH
32.
Geffner, H.: Artificial intelligence: from programs to solvers. AI Commun. 27(1), 45–51 (2014)MathSciNet
Metadaten
Titel
A Model+Solver Approach to Concept Learning
verfasst von
Francesca Alessandra Lisi
Copyright-Jahr
2016
Buch
AI*IA 2016 Advances in Artificial Intelligence

Print ISBN: 978-3-319-49129-5

Electronic ISBN: 978-3-319-49130-1

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-49130-1_20

Premium Partner

    Bildnachweise