Resumen: Unificar el aprendizaje probabilístico y lógico es un desafío clave en la IA. Presentamos un enfoque de programación lógica inductiva bayesiana que aprende programas mínimos de longitud de mensajes de datos ruidosos. Nuestro enfoque equilibra la complejidad de la hipótesis y los datos a través de los antecedentes, que favorecen explícitamente los programas más generales, y una probabilidad de que favorezca los programas precisos. Nuestros experimentos en varios dominios, incluido el juego de juego y el diseño de medicamentos, muestran que nuestro método supera significativamente los métodos anteriores, en particular los que aprenden programas de longitud mínima de descripción. Nuestros resultados también muestran que nuestro enfoque es eficiente en datos e insensible al equilibrio de ejemplo, incluida la capacidad de aprender de ejemplos exclusivamente positivos.
Publicado Originalme en export.arxiv.org El 10 de agosto de 2025.
Ver Fuente Original
