【摘要】：在許多現(xiàn)實的機器學習任務中往往存在著大量的領域知識,且這些知識可以通過一階邏輯語言表達。本文分別研究了如何使用此類領域知識輔助機器學習,如何利用機器學習進行領域知識精化,以及如何將領域知識與機器學習進行互促結合。針這三個問題,本文提出了四種機器學習方法與框架。具體來說,本文的主要工作如下:1.提出一種領域知識增廣樣本的機器學習方法。常規(guī)的機器學習方法難以對領域中對象間的關系信息進行利用,一階邏輯語言可以方便地將這種信息表達為領域知識。本文提出的SUL學習方法能夠將此類領域知識轉化為訓練樣本來提升機器學習性能。簡單來說,它能夠將領域知識增廣為機器學習可直接利用的樣本特征。實驗表明,相對于未引入領域知識的方法,SUL學習能夠提升機器學習性能。2.提出一種領域知識輔助約束的機器學習方法。由于一階邏輯表達的領域知識較為復雜,常規(guī)的機器學習方法難以使用它們來對機器學習的優(yōu)化過程進行約束。本文提出的LASIN方法可以將領域知識轉化為機器學習中關于假設模型搜索空間的約束條件,以要求從數(shù)據(jù)中學得的模型與領域知識保持一致。實驗表明,與未引入領域知識的機器學習方法相比,LASIN方法學得的模型擁有更好的泛化性能。3.提出一種機器學習驅動的領域知識精化方法。知識精化的目標是從數(shù)據(jù)中學習具有良好可理解性的一階邏輯規(guī)則,以往的知識精化方法難以從不含邏輯符號的數(shù)據(jù)中進行學習。本文提出的KRL方法將知識精化問題轉化為機器學習任務,它首先使用機器學習模型將樣本轉化為邏輯符號,并使用這些邏輯符號增廣領域知識,最終對增廣后的領域知識進行精化。在計算機視覺任務中的實驗結果表明,KRL能夠學習出目標概念的形式化定義。4.提出一種領域知識與機器學習互促結合框架。將數(shù)據(jù)驅動的機器學習與知識驅動的邏輯推理相結合一直是人工智能中的核心挑戰(zhàn)。本文提出的反繹學習是一種將此二者進行互促結合的框架,它既能將領域知識轉化為訓練機器學習模型所需的樣本標記,又能利用機器學習將數(shù)據(jù)轉化為增廣和精化領域知識所需的邏輯符號�；谠摽蚣�,本文提出一種結合知識精化與深度學習的算法NLM,并在一類復雜學習任務中驗證了它的有效性。
【學位授予單位】：南京大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TP181
【圖文】：

邐（ｂ＞關系型超圖逡逑圖２．１關于目標概念／響《心／２的關系型超圖逡逑可以看到，對于圖２．１（ａ）中正樣本ｅ）的參數(shù)ｃ和ｅ，存在多條路逡逑徑聯(lián)通它們，例如：［ｃ＜？／ｆｃａｇｗｅ（ｃ，ｅ）］和［r潰紓停髂�，ｃ），逦根据领辶x嫌蛑端薔悖玻保妒街卸ㄒ宓模藪癰拍睢Ｏ勻�，／＾]�，掉[憊酆義弦迨僑我餑勘旮拍鈄蕓梢員歡ㄒ邐邢薷齬鉤紗擁穆嘸淖值暮先　Ｔ謔導叔義嫌τ彌�，这种假设十分簜b懟ｅ義細藎疚畝ㄒ澹櫻眨蹋校幔簦櫨糜讜齬閶鏡牡諞恢痔卣鰲肪短卣麇義希ǎ穡幔簦楨澹媯澹幔簦酰潁澹┤玨澹疲哄義隙ㄒ澹玻插澹肪短卣鰨└ㄒ桓齬叵敵統(tǒng)跡玨澹藉澹ǎ隋澹蹋┮約骯賾諛勘旮拍睿潁畹膩義險荊槳歟�，．．．，Ｓz浚�，由和？c傻木嚀迓肪妒且桓雋ǎ鄭歟澹觶甑某義媳咝蛄校誨澹藉澹郟�，，．．．，４ＪnＢ肪短卣髟蚴牽鸕姆夯問劍唇鷸興脅煌嘸ｅ義狹糠直鹛婊晃煌嘸淞亢蟮囊喚茁嘸有蛄�。辶x俠紓悸峭跡玻敝械某己駝荊澹劍潁擼澹恚蓿ǎ�，ｅ），觽们生成的一条辶x暇嚀迓肪段縵灤問劍哄義希皰澹藉澹郟睿澹椋紓瑁猓錚蟈澹螅

本文編號：2761316