Plausible Reasoning in an Algorithm for Generation of Good Classification Tests

Cover Page

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.

Supplementary files

Supplementary Files
Action
1. JATS XML

Copyright (c) 2024 The Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».