EvoLearner：用进化算法学习描述逻辑
人工智能
2022-03-10 v2 机器学习
神经与进化计算
摘要
对知识图谱中的节点进行分类是一项重要任务，例如预测实体的缺失类型、预测哪些分子致癌，或预测哪些药物是潜在的治疗候选。虽然黑盒模型常取得高预测性能，但它们仅能事后局部解释，且不允许将学到的模型轻易用领域知识扩充。为此，从正例和负例中学习描述逻辑概念已被提出。然而，学习此类概念通常耗时较长，且最先进方法对字面数据值的支持有限，尽管它们对许多应用至关重要。本文中，我们提出 EvoLearner——一种用进化算法学习 ALCQ(D) 中概念的途径，ALCQ(D) 是带补运算的归因语言（ALC）与限定基数限制（Q）和数据属性（D）的结合。我们贡献了一种用于初始种群的新颖初始化方法：从正例出发，我们执行偏置随机游走并将其翻译为描述逻辑概念。此外，我们通过在决定数据分割位置时最大化信息增益来改进对数据属性的支持。我们表明，在结构化机器学习的基准框架 SML-Bench 上，我们的方法显著优于最先进水平。我们的消融研究确认这归功于我们的新颖初始化方法和对数据属性的支持。
引用
@article{arxiv.2111.04879,
title = {EvoLearner: Learning Description Logics with Evolutionary Algorithms},
author = {Stefan Heindorf and Lukas Blübaum and Nick Düsterhus and Till Werner and Varun Nandkumar Golani and Caglar Demir and Axel-Cyrille Ngonga Ngomo},
journal= {arXiv preprint arXiv:2111.04879},
year = {2022}
}
备注
Accepted at WWW 2022