基于知识地标的知识引导机器学习
机器学习
2026-04-02 v1
摘要
知识引导机器学习已作为一种可行的机器学习（ML）推广出现，通过构建统一的概念与算法框架，在知识与数据的统一基础上构建模型。涉及物理方程的物理引导机器学习是知识引导机器学习领域的发展之一。本研究提出了一种知识-数据机器学习的新方向，称为KD-ML，其中数值数据与以粒度知识地标形式表达的知识片段相集成。我们主张数据与知识在若干基本方面是互补的：数据是精确的（数值的）且局部的，通常局限于输入空间的某个区域，而知识是全局的并在更高抽象层次上表述。知识可以表示为信息粒，并组织为称为知识地标的输入-输出信息粒集合。基于这种明显的互补性，我们开发了KD-ML模型的全面设计过程，并提出了一种原创的增广损失函数L，该函数可加性地包含基于可用数值数据优化模型的组件，而第二个组件充当粒度正则化器的角色，使其遵循粒度约束（知识地标）。我们展示了损失函数中平衡数据与知识贡献和引导作用的超参数的作用，并指出了与数据质量（噪声水平）和知识地标粒度水平相关的一些本质趋势。在两个物理约束基准上的实验表明，所提出的KD模型持续优于数据驱动的机器学习模型。
引用
@article{arxiv.2604.00256,
title = {Informed Machine Learning with Knowledge Landmarks},
author = {Chuyi Dai and Witold Pedrycz and Suping Xu and Ding Liu and Xianmin Wang},
journal= {arXiv preprint arXiv:2604.00256},
year = {2026}
}