论文部分内容阅读
在现实世界里。AI系统难免受到噪声的影响,系统有效工作与否取决于它对噪声的敏感性如何。解释学习EBL也不例外。本文探讨了在例子受到噪声影响的情况下,解释学习的处理问题,提出了一个算法NR-EBL,与现有的解释学习方法不同,NR-EBL在训练例子含有噪声时仍然可以学习,以掌握实际的问题分布。和类似的工作不同,NR-EBL指出了正确识别概念对于噪声规律的依赖性,试图从训练例子集俣发现和掌握噪声的规律,