×

什么样的关系特征对统计学习有用? (英语) Zbl 1382.68203号

Riguzzi,Fabrizio(编辑)等人,《归纳逻辑编程》。2012年9月17日至19日,克罗地亚杜布罗夫尼克,第22届国际劳工大会。修订了选定的论文。柏林:施普林格出版社(ISBN 978-3-642-38811-8/pbk)。计算机科学课堂讲稿7842。《人工智能课堂讲稿》,209-224(2013)。
小结:统计学习和关系学习的巧妙而有效的结合使用了一个统计学习者来构建模型,其中包含关系学习者识别的特征(通常是单独识别的)。这种建模形式在归纳逻辑编程(ILP)中有着悠久的历史,起源于20世纪90年代初的LINUS系统。在命题化和关系子群发现的类别下,该领域也做了额外的工作,其中对基本特征和非基本特征进行了区分,并使用一种或另一种特征构建了统计模型。最近,在新兴的统计关系学习(SRL)领域,构建关系特征已经成为许多建模程序中的一个重要步骤。到目前为止,对于哪些类型的关系特征足以构建良好的统计模型,理论或实证方面的工作还不多。从表面上看,所需要的特性是那些能够捕获多样化和复杂关系结构的特性。这意味着,特征构造者应该根据关系描述来检查尽可能丰富的空间。一个例子是一阶逻辑中所有可能特征的空间,给定要解决的问题的约束条件。实际上,关系型学习者很难在这样的空间中有效地搜索对统计型学习者可能有用的特征。此外,统计学习者还可以通过将简单的特征组合在一起来捕获一些复杂的结构。基于这些观察结果,我们实证研究了关系型学习者是否可以检查比完整统计模型实际需要的更有限的特征空间。具体地,我们考虑了五组特征,部分由子集关系排序,在顶部由集合(F{d})限定,该集合是与受特定领域限制的定语从句相对应的特征集;底部由(F{e})限定,这是一组具有大量附加约束的“基本”特性。我们的结果表明:(a)对于ILP文献中使用的关系数据集,可能不需要来自\(F_{d}\)的特征;和(b)使用标准统计学习者从特征子集中获得的特征获得的模型与迄今为止获得的最佳模型具有可比性。
关于整个系列,请参见[Zbl 1264.68008号].

MSC公司:

68T05型 人工智能中的学习和自适应系统
68N17号 逻辑编程
PDF格式BibTeX公司 XML格式引用
全文: 内政部