基于聚类的符号知识提取方法
人工智能
2022-11-02 v1 机器学习
摘要
机器学习领域中的不透明模型正越来越多地被应用于各种不同的应用领域。这些模型从人类视角来看如同黑盒（BB），若应用关键则无法被完全信任，除非存在一种从中提取符号化且人类可读知识的方法。本文分析了符号知识提取器用于 BB 回归器的一种常见设计——即创建与超立方输入空间区域相关联的规则。我们认为，当手头的数据集为高维或不满足对称约束时，此类划分可能导致次优解。为此，我们提出在符号知识提取之前执行一种（深度）基于聚类的方法，以在任何类型的数据集上取得更好的性能。
引用
@article{arxiv.2211.00234,
title = {Clustering-Based Approaches for Symbolic Knowledge Extraction},
author = {Federico Sabbatini and Roberta Calegari},
journal= {arXiv preprint arXiv:2211.00234},
year = {2022}
}
备注
Third Workshop on Explainable Logic-Based Knowledge Representation (XLoKR2022)