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，