귀납 논리 프로그래밍(ILP)는 1차 규칙 학습에서 함수와 논리 표현식의 중첩을 도입하고 1차 논리를 표현식 언어로 사용하는 상징적 규칙 학습 방법입니다.
ILP는 머신 러닝 시스템이 더욱 강력한 표현 능력을 갖도록 해줍니다. 동시에 이는 기계 학습의 한 응용 프로그램으로 볼 수 있으며, 주로 배경 지식에 기반한 논리 프로그램의 귀납적 문제를 해결하는 데 사용됩니다. 관련 규칙은 PROLOG와 같은 논리 프로그래밍 언어에서 직접 사용될 수 있습니다.
ILP 관련 설계 아키텍처는 다음과 같습니다.
긍정적 사례 + 부정적 사례 + 배경 지식 ⇒ 가설
ILP가 학습한 모델은 이해할 수 없는 블랙박스 모델이 아닌 1차 논리의 상징적 규칙에 기반을 두고 있습니다. 학습된 모델은 단순히 개인의 라벨을 예측하는 것이 아니라 개인 간의 관계를 기반으로 할 수 있습니다.
참고문헌
【1】귀납 논리 프로그래밍(개인 블로그)
【2】귀납 논리 프로그래밍 개요