属性知识自反绎下的半监督表示学习

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：机器学习结合逻辑推理的方法可以大幅提升模型的鲁棒性与可解释性。近年来，已有工作从给定的具体知识库出发，通过反绎学习的范式或是其衍生范式来促进机器学习中模型的更新过程。然而，在表示学习任务中，即便存在这样的知识库，其往往也是不完备或含有噪声的。且在真实环境下，即便领域专家也无法精准定量地描述不同对象的属性表示信息。因此，本文针对半监督表示学习任务，提出了一种可根据少量有标记样本构建弱领域属性知识库并结合无标记数据与基于启发式规则扩张领域知识库推理的反绎学习方法。该方法可有效解决表示学习任务下缺少强领域知识与真实环境下高质量标注数据较少这两个问题。在人工合成的数据集与真实环境下的数据集中的实验对比结果均验证了我们提出的方法的有效性。

外文标题：Attribute-aware knowledge based self-abductive for semi-supervised representation learning

外文摘要：Integrating logical reasoning with machine learning holds the potential to substantially enhance model robustness and interpretability.In recent years,prevailing approaches have often been initiated with specific knowledge bases,leveraging abductive learning paradigms or their derivatives to optimize machine learning models.However,even in the presence of such knowledge bases,they frequently prove to be incomplete or noisy when applied to representation learning tasks.Additionally,domain experts may encounter challenges in accurately characterizing the attributed properties of various objects in real-world contexts.Focusing on semi-supervised representation learning tasks,our proposed method constructs a weak domain attribute knowledge base using a limited number of labeled samples and conducts self-abductive learning through grounded abductive learning with unlabeled data.This approach effectively addresses the limitations posed by insufficient strong domain knowledge in representation learning tasks and the scarcity of high-quality labeled data in real-world environments.Experimental comparisons conducted on both synthetic and real-world datasets validate the effectiveness of our proposed method.

外文关键词：

artificial intelligencemachine learningabductive learningsemi-supervised learningfeature representationfine-grained attributes

作者：

沈阳、孙旭豪、徐赫洋、魏秀参

展开 >

作者单位：

南京理工大学计算机科学与工程学院,南京 210094

东南大学计算机科学与工程学院,南京 210096

新一代人工智能技术与交叉应用教育部重点实验室(东南大学),南京 210096

关键词：

人工智能机器学习反绎学习半监督学习特征表示细粒度属性

基金：

国家重点研发计划青年科学家项目国家自然科学基金面上项目江苏省自然科学基金青年基金项目中央高校基本科研业务费专项资金项目中国人工智能学会-华为MindSpore学术奖励基金项目

项目编号：

2021YFA100110062272231BK202103404009002401CAAIXSJLJJ-2022-001B

出版年：

2024

DOI：

10.1360/SSI-2023-0252

中国科学F辑

中国科学院,国家自然科学基金委员会

中国科学F辑

CSTPCD北大核心

影响因子：1.438

ISSN：1674-5973

年,卷(期)：2024.54(6)