BriefGPT - AI 论文速递
·
强化逻辑规则学习用于暂态点过程
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了一个逐步扩展解释性时间逻辑规则集的框架，用于解释时间事件发生。通过时间点过程建模和学习框架，优化规则内容和权重，提高事件序列的似然性。算法通过更新规则集权重增加似然性，并搜索和包含新规则。提出了神经搜索策略克服搜索挑战，生成新规则内容。在医疗数据集上评估了该方法，取得了有前景的结果。
🎯
关键要点
- 提出了一个逐步扩展解释性时间逻辑规则集的框架，用于解释时间事件发生。
- 利用时间点过程建模和学习框架，优化规则内容和权重，提高事件序列的似然性。
- 算法通过更新规则集权重和搜索新规则来增加似然性。
- 主问题被定义为凸问题，使用连续优化方法求解。
- 子问题需要在庞大的组合规则谓词和关系空间中进行搜索。
- 提出了一种神经搜索策略，通过学习生成新规则内容的一系列动作。
- 该策略参数使用强化学习框架进行端到端训练，奖励信号通过评估子问题目标查询。
- 在合成和真实的医疗数据集上评估了该方法，取得了有前景的结果。
➡️
