描述物体运动的基本概念

6.2.5　基于解释的学习

解释学习本质上是一种演绎学习，它通过对现有例子求解过程的解释，得出一般性控制知识，用于以后类似问题的求解。

1.学习算法描述

一般的解释学习由四个前件和一个后件构成。这四个前件分别是:

(1)领域理论:用一些规则和事实来描述某一领域的知识，在算法中，这些规则和事实必须用符号抽象出来。

(2)目标概念:对要学习概念的描述。

(3)操作性标准:用于衡量学习系统对目标概念的描述是否准确，对学习过程起控制作用。

(4)训练例子:能用领域理论明确解释，并充分说明目标概念的实例，它是解释学习的对象。

解释学习的后件是:一个满足操作标准的关于目标概念的充分概念描述。

下面将通过一个解释学习的例子来说明解释学习算法。

假如，要得出关于“一个物体x可以安全地放置在另一个物体y的上面”的一般性控制知识，可以通过以下操作实现。

首先，用符号表示出解释学习的前件:

目标概念:Safe-to-stack(x，y)

训练例子(是一些描述物体obj₁与obj₂的事实):

On(obj₁，obj₂)物体obj₁可以放在物体obj₂上面

Is-a(obj₁，book)物体obj₁是一本书

Is-a(obj₂，table)物体obj₂是一张桌子

Volume(obj₁，1)物体obj₁的数量为1

Density(obj₁，0.1)物体obj₁的密度为0.1

领域理论:

┐Fragile(y)→Safe-to-stack(x，y)

若y不是易碎物品，则x可以放在y上

Lighter(x，y)→Safe-to-stack(x，y)

若x比y轻，则x可以放在y上

Volume(p，v)^Density(p，d)^Product(v，d，w)→Weight(p，w)给定物体p的重量参数

Is-a(p，table)→Weight(p，5)桌子的重量参数为5

Weight(p₁，w₁)^Weight(p₂，w₂)^Smaller(w₁，w₂)→Lighter(p₁，p₂)判别物体p₁和p₂轻重的准则

接着从目标概念出发，运用领域理论进行逆向推理，便可得到一个实例求解的解释树，如图6-2所示。

在得出训练例子的解释树之后，将解释树的所有叶子结点的合取作为前件，根结点作为后件，便得到关于判断一个物体是否能放置到桌子上的一般性控制知识:

Volume(obj₁，1)^Density(obj₁，0.1)^Product(1，0.1，0.1)^Is-a(obj₂，table)

^Smaller(0.1，5)→Safe-to-stack(obj₁，obj₂)

图6-2　Safe-to-stack(obj₁，obj₂)的解释树

2.解释学习模型

在逻辑上，解释学习的求解是由四个前件经过推理得到一个后件，由此可以得出解释学习的模型。图6-3比较简洁地表达了解释学习的基本原理。事实上，解释学习的四个前件在学习中并非处于同一层次，它们控制着学习过程的不同环节。图中箭头的指向表示学习的流程:先由学习系统接受一个不可操作的描述概念D₁(不能有效地用于识别相应概念的例子)，然后根据知识库中的领域理论对D₁进行不同描述的转换，并由执行系统(包含操作性标准)对每个转换结果进行测试，直到转换结果被执行系统所接受，才输出可操作的概念描述D₂。

虽然解释学习属于保真推理，但受领域知识完善程度的影响，并非总能产生正确的解释描述。比如，解释学习的特点非常适合个性化信息检索，但在引入解释学习之前，首先必须完善个性化信息检索的领域知识，用逻辑符号抽象出个性化信息模型。