基于成员查询的定性约束网络精确学习
人工智能
2021-09-27 v1
摘要
定性约束网络（QCN）是一种用于表示定性时间与空间等关系下问题的约束图。更形式化地，QCN 包含一组实体，以及定义这些实体间可能场景的定性约束列表。后者约束表示为捕获相关实体间（不完全）知识的二元关系析取。QCN 在表示包括调度与规划、配置及地理信息系统（GIS）在内的广泛现实应用中非常有效。然而，从用户处获取表示给定问题的 QCN 是具挑战性的。为在实践上克服此困难，我们提出一种通过成员查询从非专家处学习 QCN 的新算法。本文中，成员查询被用于获取时间或空间实体对之间的时间或空间关系。为提升学习算法在实践中的时间性能，我们引入了基于传递闭包的约束传播以及排序启发式。此处目标为减少达到目标 QCN 所需的成员查询数量。为评估约束传播与排序启发式的实际效果，我们在随机生成的时间与空间约束网络实例上进行了若干实验。实验结果非常令人鼓舞且前景可期。
引用
@article{arxiv.2109.11668,
title = {Exact Learning of Qualitative Constraint Networks from Membership Queries},
author = {Malek Mouhoub and Hamad Al Marri and Eisa Alanazi},
journal= {arXiv preprint arXiv:2109.11668},
year = {2021}
}
备注
18 pages, 8 figures and 8 tables