基于特征重要性形式的弱领域知识辅助的经验学习

使用领域知识的标准混合学习器需要较强且难以获取的领域知识。然而，较弱的领域知识既能利用先验知识，又具有成本效益。本文提出并解释了以特征相对重要性（FRI）形式存在的弱知识。特征相对重要性是专家提供的特征重要性的实值近似。通过IANN（一种改进的多层神经网络算法）展示了使用这种知识的优势。IANN是对标准神经网络算法的一个非常简单的修改，但获得了显著的性能提升。分子生物学领域的实验结果表明，其性能优于其他经验学习算法，包括标准反向传播和支持向量机。IANN的性能甚至可与使用更强领域知识的理论精化系统KBANN相媲美。这表明，特征相对重要性能够以最小的努力显著提升现有经验学习算法的性能。