Abstract
本論文では、特定の「ユーザの嗜好（preferences）を学習する」場合において、ニューラルネットワーク（NN）などのブラックボックスモデルを近似するために、答集合からの学習（Learning from Answer Sets）を用いることを提案する。具体的には、弱い制約（weak constraints）を通じて嗜好学習システムを近似するために、ILASP（Inductive Learning of Answer Set Programs；答集合プログラムの帰納的学習）を用いることを探究する。我々は、レシピの集合に対するユーザの嗜好に関するデータセットを作成し、このデータセットを用いて、ILASPにより近似しようとするNNを訓練する。我々の実験では、ILASPをNNのグローバル近似器およびローカル近似器の両方として検討する。これらの実験は、より高次元の特徴空間で動作するNNを近似しつつ、対象モデルに対する適切な忠実度（fidelity）を達成し、計算時間の増加を抑えるという課題に取り組む。この課題に対処するために、説明（explanations）を透明なまま保ちつつ、データセットの次元数を削減するために主成分分析（Principal Component Analysis）を活用する前処理手順を提案する。論理プログラミングの理論と実践（Theory and Practice of Logic Programming, TPLP）への掲載が検討されている。
