Buch, Englisch, Band 34, 213 Seiten
Buch, Englisch, Band 34, 213 Seiten
Reihe: Schriftenreihe Forschungsergebnisse zur Informatik
ISBN: 978-3-86064-623-6
Verlag: Kovac
Viele Probleme in der Informatik, speziell im Teilgebiet der Künstlichen Intelligenz (KI), werden mit Verfahren bearbeitet, die auf Suche basieren. Zu diesen Suchproblemen zählt auch die omatische Deduktion. Probleme aus diesem Bereich gehören zu den schwierigsten Suchproblemen. Gerade hier ist es unbestritten, dass die oftmals eigentlich unintelligenten Suchmethoden (Suchstrategien bzw. Suchheuristiken) Schwächen haben, die auch schnelle Rechner und ausgeklügelte Implementierungstechniken nur ansatzweise kompensieren können.
In Anlehnung an menschliches Problemlöseverhalten wurde schon früh erkannt, dass Lernen eine zentrale Rolle bei allen intelligenzbasierten Problemlösungsvorgängen spielt. Hier herrscht bei der omatischen Deduktion allerdings ein Defizit, während in anderen Bereichen der KI der Einsatz von Techniken des maschinellen Lernens beeindruckende Resultate produziert hat.
Die vorliegende Arbeit stellt Lernverfahren vor, die sich auch bei der Deduktion profitabel einsetzen lassen. Das Grundprinzip der Lernverfahren besteht in der rein heuristischen Ausnutzung des Wissens, das aus gelösten Problemen stammt. Dies bedeutet, dass das Wissen zur Verbesserung von Suchheuristiken bzw. zur Generierung verbesserter Suchheuristiken verwandt wird.
Diese Vorgehensweise hat einige entscheidende Vorteile gegenüber den Lernverfahren, die auf einen vorzugsweise deterministischen analogen Wissenstransfer ohne Suche bauen. Die Leistungsfähigkeit der vorgestellten Verfahren wurde empirisch überprüft. Die Ergebnisse haben gezeigt, daß nicht nur enorme Geschwindigkeitssteigerungen möglich sind, sondern auch eine Reihe von Problemen gelöst werden können, die ohne Lernen nicht bewältigt werden konnten. Darüberhinaus behandelt die Arbeit Ansätze zu Verfahren, um anwendbares Wissen omatisch zu entdecken und auch zum Teil ungeeignetes Wissen erfolgreich einzusetzen. Damit wird eine weitgehende Unabhängigkeit vom Benutzer und somit seine Entlastung angestrebt. Die Grundprinzipien der vorgestellten Verfahren sind nicht nur in der omatischen Deduktion anwendbar und daher grundsätzlich für eine Vielzahl von Suchproblemen interessant.
Fuchs
Learning Search Heuristics for Automated Deduction jetzt bestellen!
In Anlehnung an menschliches Problemlöseverhalten wurde schon früh erkannt, dass Lernen eine zentrale Rolle bei allen intelligenzbasierten Problemlösungsvorgängen spielt. Hier herrscht bei der omatischen Deduktion allerdings ein Defizit, während in anderen Bereichen der KI der Einsatz von Techniken des maschinellen Lernens beeindruckende Resultate produziert hat.
Die vorliegende Arbeit stellt Lernverfahren vor, die sich auch bei der Deduktion profitabel einsetzen lassen. Das Grundprinzip der Lernverfahren besteht in der rein heuristischen Ausnutzung des Wissens, das aus gelösten Problemen stammt. Dies bedeutet, dass das Wissen zur Verbesserung von Suchheuristiken bzw. zur Generierung verbesserter Suchheuristiken verwandt wird.
Diese Vorgehensweise hat einige entscheidende Vorteile gegenüber den Lernverfahren, die auf einen vorzugsweise deterministischen analogen Wissenstransfer ohne Suche bauen. Die Leistungsfähigkeit der vorgestellten Verfahren wurde empirisch überprüft. Die Ergebnisse haben gezeigt, daß nicht nur enorme Geschwindigkeitssteigerungen möglich sind, sondern auch eine Reihe von Problemen gelöst werden können, die ohne Lernen nicht bewältigt werden konnten. Darüberhinaus behandelt die Arbeit Ansätze zu Verfahren, um anwendbares Wissen omatisch zu entdecken und auch zum Teil ungeeignetes Wissen erfolgreich einzusetzen. Damit wird eine weitgehende Unabhängigkeit vom Benutzer und somit seine Entlastung angestrebt. Die Grundprinzipien der vorgestellten Verfahren sind nicht nur in der omatischen Deduktion anwendbar und daher grundsätzlich für eine Vielzahl von Suchproblemen interessant.
Autoren/Hrsg.
Bitte ändern Sie das Passwort
