Plausible Reasoning in an Algorithm for Generation of Good Classification Tests

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Статья посвящена применению принципов (правил) правдоподобных рассуждений к символьному машинному обучению (МО). Эти применения существенны и необходимы для увеличения эффективности алгоритмов МО. Множество таких алгоритмов порождают и используют правила в форме импликаций. Обсуждается генерация этих правил по отношению к классам объектов. Эти классификационные правила специфичны. Их посылки, называемые хорошими замкнутыми тестами (ХЗТ), покрывают максимально возможное множество объектов. Представлен один из алгоритмов генерации ХЗТ, называемый NIAGARA. Алгоритм пересмотрен и предложены новые процедуры на основе правдоподобных рассуждений. Их корректность доказывается. Используются следующие правила: импликации, запреты, индуктивные правила расширения текущих множеств целевых объектов, правила сокращения области поиска решений. Они позволяют увеличить эффективность алгоритма.

References

  1. Naidenova X. An incremental learning algorithm for inferring logical rules from examples in the framework of the common reasoning process / Data Mining and Knowledge Discovery Approaches Based on Rule Induction Techniques, Massive Comp., Springer. 2006. V. 6. P. 89–147.
  2. Найденова К.А., Полежаева Ю.Г. Алгоритм нахождения наилучших диагностических тестов // Сб. научн. тр. 4 Всесоюзн. конф. “Применение методов математической логики”. Институт кибернетики АН ССР. 1986. С. 87–92.
  3. Naidenova X., Buzmakov A., Parkhomenko V., Schukin A. Notes on relation between symbolic classifiers / CEUR-WS. 2017. V. 1921. P. 88–103.
  4. Ore O. Galois connections // Trans. Amer. Math. Soc. 1944. V. 55. P. 494–513.
  5. Ganter B., Wille R. Formal concept analysis: mathematical foundations. Berlin/ Heidelberg: Springer, 1999.
  6. Финн В. О машинно-ориентированной формализации правдоподобных рассуждений в стиле Ф. Бекона-Д. С. Милля // Семиотика и информатика. 1983. Т. 20. С. 35–101.
  7. Kuznetsov S. Mathematical aspects of concept analysis // J. Math. Sci. 1996. V. 80. No. 2. P. 1654–1698.
  8. Ganter B., Kuznetsov S. Hypotheses and version spaces // LNCS. 2003. V. 2746. P. 83–95.
  9. Carpineto C., Romano G. Concept Data Analysis: Theory and Applications. Chichester, UK: John Wiley & Sons, Ltd, 2004.
  10. Kuznetsov S.O., Obiedkov S.A. Comparing performance of algorithms for generating concept lattices // J. Experiment. Theoret. Artific. Intelligence. 2002. V. 14. No. 2-3. P. 189–216.
  11. Poelmans J., Ignatov D.I., Kuznetsov S.O., Dedene G. Formal concept analysis in knowledge processing: A survey on applications // Expert Syst. Appl. 2013. V. 40. No. 16. P. 6538–6560.
  12. Galitsky B., Ilvovsky D.I., Goncharova E. Organizing contexts as a lattice of decision trees for machine reading comprehension // Proc. of the 10th Int. Worksh. “What can FCA do for Artificial Intelligence?”. 2022. P. 75–87.
  13. Goncharova E., Ilvovsky D.I., Galitsky B. Concept-based chatbot for interactive query refinement in product search // Proc. of the 9th Int. Worksh. “What can FCA do for Artificial Intelligence?”. 2021. P. 51–58.
  14. Wang J., Han J., Pei J. Closet+: Searching for the best strategies for mining frequent closed itemsets // Proc. ACM SIGMOD Int. Conf. Knowl. Discov. Data Mining. 2003. P. 236–245.
  15. Agrawal R., Imielin´ski T., Swami A. Mining association rules between sets of items in large databases // Proc. ACM SIGMOD Int. Conf. Management Data. 1993. P. 207–216.
  16. Zaki M.J., Ogihara M. Theoretical foundations of association rules / 3rd ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery ACM. 1998. P. 71–78.
  17. Bordat J.P. Calcul pratique du treillis de galois d’une correspondence // Math. Sci. Humaines. 1986. V. 96. P. 31–47.
  18. Ganter B. Two basic algorithms in concept analysis / Formal Concept Analysis. Berlin/Heidelberg: Springer. 2010. P. 312–340.

Copyright (c) 2024 The Russian Academy of Sciences

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies