学习概念长度加速ALC中的概念学习
机器学习
2022-05-17 v3
摘要
基于细化算子的概念学习方法通过探索偏序解空间来计算概念，这些概念被用作个体的二分类模型。然而，对于复杂学习问题，这些方法探索的概念数量可达数百万，常导致不实用的运行时间。我们提出通过在解空间探索之前预测目标概念的长度来缓解该问题。借此，我们能在概念学习过程中剪枝搜索空间。为实现此目标，我们比较了四种神经架构并在四个基准上评估它们。我们的评估结果表明，循环神经网络的架构在概念长度预测上表现最佳，宏F值度量介于38%至92%。随后，我们用概念长度预测器扩展了学习ALC概念的CELOE算法。我们的扩展产生了算法CLIP。在实验中，CLIP至少比其它最先进的ALC概念学习算法（包括CELOE）快7.5倍，并在4个数据集中的3个上取得了所学概念F度量的显著提升。为可复现性，我们在公共GitHub仓库 https://github.com/dice-group/LearnALCLengths 提供了实现。
引用
@article{arxiv.2107.04911,
title = {Learning Concept Lengths Accelerates Concept Learning in ALC},
author = {N'Dah Jean Kouagou and Stefan Heindorf and Caglar Demir and Axel-Cyrille Ngonga Ngomo},
journal= {arXiv preprint arXiv:2107.04911},
year = {2022}
}
备注
15 pages, 2 figures, 7 tables