FUSE：基于度量论紧凑型模糊集表示的分类学扩展
机器学习
2025-06-11 v1 神经与进化计算
摘要
分类学扩展（Taxonomy Expansion）通过建模复杂概念及其间关系来实现，其可形式化为集合表示学习任务。集合的推广形式——模糊集——包含不确定性并度量语义概念内的information，因而适用于概念建模。现有工作通常将集合建模为向量或几何对象（如箱形），但这些对象在集合运算下不封闭。本文提出一种基于其作为模糊集体积近似的集合表示学习的合理且高效的表述。最终得到的嵌入框架——模糊集嵌入（FUSE）——满足所有集合运算并紧凑近似底层模糊集，从而在保持信息的同时高效学习，仅依赖最小神经网络结构。我们在分类学扩展任务上实证演示了FUSE的优势，FUSE相较于现有基线方法在各项指标上实现了最高23%的显著性提升。本工作标志着首次尝试理解和高效计算模糊集嵌入。
引用
@article{arxiv.2506.08409,
title = {FUSE: Measure-Theoretic Compact Fuzzy Set Representation for Taxonomy Expansion},
author = {Fred Xu and Song Jiang and Zijie Huang and Xiao Luo and Shichang Zhang and Adrian Chen and Yizhou Sun},
journal= {arXiv preprint arXiv:2506.08409},
year = {2025}
}