Plausible Reasoning in an Algorithm for Generation of Good Classification Tests
- Autores: Naidenova X.1, Parkhomenko V.1, Martirova T.1, Schukin A.1
-
Afiliações:
- Edição: Nº 3 (2024)
- Páginas: 73–85
- Seção: Articles
- URL: https://journals.rcsi.science/0005-2310/article/view/256155
- DOI: https://doi.org/10.31857/S0005231024030066
- EDN: https://elibrary.ru/TRSWBL
- ID: 256155
Citar
Resumo
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.
Sobre autores
X. Naidenova
Email: ksennaid@gmail.com
V. Parkhomenko
Email: vladimir.parkhomenko@spbstu.ru
T. Martirova
Email: martta462@yandex.ru
A. Schukin
Email: alexander.schukin@spbstu.ru
Bibliografia
- 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.
- 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.
- Naidenova X., Buzmakov A., Parkhomenko V., Schukin A. Notes on relation between symbolic classifiers / CEUR-WS. 2017. V. 1921. P. 88–103.
- Ore O. Galois connections // Trans. Amer. Math. Soc. 1944. V. 55. P. 494–513.
- Ganter B., Wille R. Formal concept analysis: mathematical foundations. Berlin/ Heidelberg: Springer, 1999.
- Финн В. О машинно-ориентированной формализации правдоподобных рассуждений в стиле Ф. Бекона-Д. С. Милля // Семиотика и информатика. 1983. Т. 20. С. 35–101.
- Kuznetsov S. Mathematical aspects of concept analysis // J. Math. Sci. 1996. V. 80. No. 2. P. 1654–1698.
- Ganter B., Kuznetsov S. Hypotheses and version spaces // LNCS. 2003. V. 2746. P. 83–95.
- Carpineto C., Romano G. Concept Data Analysis: Theory and Applications. Chichester, UK: John Wiley & Sons, Ltd, 2004.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Bordat J.P. Calcul pratique du treillis de galois d’une correspondence // Math. Sci. Humaines. 1986. V. 96. P. 31–47.
- Ganter B. Two basic algorithms in concept analysis / Formal Concept Analysis. Berlin/Heidelberg: Springer. 2010. P. 312–340.