ПРАВДОПОДОБНЫЕ РАССУЖДЕНИЯ В АЛГОРИТМЕ ГЕНЕРАЦИИ ХОРОШИХ КЛАССИФИКАЦИОННЫХ ТЕСТОВ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

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.

Об авторах

К. А НАЙДЕНОВА

Военно-медицинская академия имени С.М. Кирова

Email: ksennaid@gmail.com
канд. техн. наук Санкт-Петербург

В. А ПАРХОМЕНКО

Санкт-Петербургский политехнический университет Петра Великого

Email: vladimir.parkhomenko@spbstu.ru

Т. А МАРТИРОВА

Военно-медицинская академия имени С.М. Кирова

Email: martta462@yandex.ru
Санкт-Петербург

А. В ЩУКИН

Санкт-Петербургский политехнический университет Петра Великого

Email: alexander.schukin@spbstu.ru
канд. техн. наук

Список литературы

  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.

© Российская академия наук, 2024

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах