เค้าโครง
- แรงจูงใจและความหมาย
- ภาพรวมของวิธีการเรียนรู้ของอภิปรัชญา
- ในรายละเอียด: คำนิยามการเรียนรู้กับผู้ประกอบการปรับแต่ง
- สรุปผลการวิจัย
เค้าโครง
- แรงจูงใจและความหมาย
- ภาพรวมของวิธีการเรียนรู้ของอภิปรัชญา
- ในรายละเอียด: คำนิยามการเรียนรู้กับผู้ประกอบการปรับแต่ง
- สรุปผลการวิจัย
คำที่เกี่ยวข้อง: การศึกษาอภิปรัชญา
- "การเรียนรู้อภิปรัชญาเป็น subtask ของการสกัดข้อมูล. เป้าหมายของการเรียนรู้อภิปรัชญาคือการ (กึ่ง) โดยอัตโนมัติสารสกัดจากแนวคิดที่เกี่ยวข้องและความสัมพันธ์จากคลังที่กำหนดหรือชนิดอื่น ๆ ของชุดข้อมูลในรูปแบบอภิปรัชญา." (วิกิพีเดียวันนี้)
- "การเรียนรู้อภิปรัชญาเป็นกลไกสำหรับกึ่งอัตโนมัติสนับสนุนวิศวกรอภิปรัชญาในจีวิศวกรรม.''
Mädche AD อภิปรัชญาการเรียนรู้สำหรับเว็บแบบ Semantic วิทยานิพนธ์ Universität Karlsruhe, 2001 - "การเรียนรู้อภิปรัชญาจุดมุ่งหมายที่จะบูรณาการความหลากหลายของสาขาวิชาเพื่อที่จะอำนวยความสะดวกในการก่อสร้างของจีส์ในอภิปรัชญาวิศวกรรมและการเรียนรู้โดยเฉพาะอย่างยิ่งเครื่อง."
AD Mädcheเอส Staab การเรียนรู้ของอภิปรัชญา คู่มือของจีส์ในระบบสารสนเทศ, 2004
การจำแนกประเภทของข้อมูลการศึกษาอภิปรัชญา

การจำแนกประเภทของอภิปรัชญาศึกษา DataII

อภิปรัชญาการเรียนรู้ชั้นเค้ก [Cimiano 2006]

รูปแบบ [เฮิร์สต์ 1992] สำหรับ subsumption ชั้น
- เช่น NP NP เป็น {,} * {หรือ |} และ NP
- "เกมเช่นเบสบอลและคริกเก็ต"
- NP {, NP} * {} {และ | หรือ} NP อื่น ๆ
- "กระต่ายและสัตว์อื่น ๆ "
- แต่: "กระต่ายและสัตว์เลี้ยงอื่น ๆ "
- NP {} {รวมทั้ง NP,} * {หรือ |} และ NP
- "ผลไม้รวมทั้งแอปเปิ้ลและลูกแพร์"
- NP {} โดยเฉพาะอย่างยิ่ง {NP,} * {หรือ |} และ NP
- "ยุโรปโดยเฉพาะอย่างยิ่งชาวอิตาเลียน"
- แต่: "ประธานาธิบดีสหรัฐโดยเฉพาะอย่างยิ่งพรรคประชาธิปัตย์"
รูปแบบ [โอกาตะและถ่านหิน 2004]
- เป็น NP NP
- "จิงโจ้เป็นสัตว์ที่อาศัยอยู่ในประเทศออสเตรเลีย."
- NP ชื่อ | เรียกว่า NP
- "คนญี่ปุ่นชอบที่จะเล่นเกมที่เรียกว่าไป."
- NP, NP
- "Sencha, ชาที่นิยมมากที่สุดในประเทศญี่ปุ่น ... "
- NP NP
- "จอห์นรักเฟอร์รารีของเขา รถ ... "
- ท่ามกลาง NP, NP
- ในบรรดาเครื่องดนตรีทั้งหมดไวโอลิน are ... "
- NP ยกเว้น | อื่น ๆ กว่า NP
- พนักงานยกเว้นสำหรับผู้จัดการทุกข์ทรมานจาก ... "
กฎแหย่
- GATE = ทั่วไปสถาปัตยกรรมวิศวกรรมข้อความ
- เขียนใน Java
- ผู้ใหญ่ใช้ทั่วโลก
- ภาษาแหย่ = สำหรับสร้างต้นแบบอย่างรวดเร็วและการดำเนินงานที่มีประสิทธิภาพของวิธีการวิเคราะห์ตื้น
- สามารถนำมาใช้เช่น ~ หารูปแบบที่เฉพาะเจาะจงโดเมน (บล็อกการเงิน ฯลฯ )
II แหย่กฎ
rule: Hearst_1 ( (NounPhrase):superconcept {SpaceToken.kind == space} {Token.string=="such"} {SpaceToken.kind == space} {Token.string=="as"} {SpaceToken.kind == space} (NounPhrase):subconcept ):hearst1
-->
:hearst1.SubclassOfRelation = { rule = "Hearst1" }, :subconcept.Domain = { rule = "Hearst1" }, :superconcept.Range = { rule = "Hearst1" }
ความคล้ายคลึงกันบริบทคำศัพท์ (เช่น [Cimiano และVölker 2005])
- "โคลัมบัสเป็นเมืองหลวงของรัฐโอไฮโอ. โคลัมบัสมีประชากรประมาณ 700,000 คนที่อาศัยอยู่."
- โคลัมบัส (เมืองหลวง (1), รัฐ (1), โอไฮโอ (1) ประชากร (1), อาศัย (1))
- ซิตี้ (ประเทศ (2), รัฐ (1), อาศัย (2), นายกเทศมนตรี (1), สถานที่ (1))
- Explorer (เรือ (1) กะลาสี (2) การค้นพบ (1))
"ส่วนใหญ่อาจจะ": ซิตี้ (โคลัมบัส)

เฟรม Subcategorization
- "ทีน่าไดรฟ์ฟอร์ด."
- คน (Tina) คัน (ฟอร์ด)
- "พ่อของเธอขับรถบัส."
- ประเภทรองของพ่อคน
- ประเภทรองของรถยานพาหนะ
- subcat: ไดรฟ์ (ไอคอน: คน obj: ยานพาหนะ)
- \[Person \sqsubseteq \forall drive.Vehicle \]
Text2Onto

อัล Suchanek et 2009
การเรียนรู้จากข้อความและความรู้พื้นฐานทางเหตุผล:"วอชิงตันเป็นเมืองหลวงของสหรัฐ. (... ) นิวยอร์กเป็นเมืองหลวงของสหรัฐแฟชั่น."
- สกัด: hasCapital (สหรัฐ, นิวยอร์ก); hasCapital (สหรัฐวอชิงตัน)
- ความรู้พื้นฐาน: hasCapital เป็นสถานที่ทำงาน
- ข้อสรุปที่เป็นไปได้:
- นิวยอร์กวอชิงตัน =
- ที่ไม่สอดคล้องกัน (สมมติชื่อที่เป็นเอกลักษณ์)
- ความขัดแย้งทางตรรกะสามารถช่วยในการตรวจสอบข้อผิดพลาดในข้อมูลที่สกัดโดยอัตโนมัติ
Leda

วิธีการอื่น ๆ
- กฎสมาคมและสถิติการเกิดขึ้นร่วม
- ตัวอย่างประโยค: \[hyponymy \approx subsumption
\]
- hyponym (ธนาคาร \ (\ คม \) 1 สถาบัน \ (\ คม \) 1)
- ประเภทรองของธนาคารสถาบัน
- heuristics นามวลี
- "ซอฟแวร์การประมวลผลภาพ"
- การจัดกลุ่มอินสแตนซ์ (เช่นโคลัมบัสและวอชิงตัน)
- การจัดกลุ่มลำดับชั้นของเวกเตอร์บริบท
- เสร็จฐานความรู้ / การวิเคราะห์แนวความคิดอย่างเป็นทางการ (FCA)
- ถามคำถามวิศวกรความรู้ในการดำเนินการฐานความรู้
- เครื่องมือ: OntoComp [. Sertkaya et al,]
เครื่องมือและกรอบ

เครื่องมือและกรอบ II

ปัญหาและความท้าทาย
- Homonymy และ polysemy เช่น [Ovchinnikova เอตอัล 2006]
- "ปีเตอร์นั่งอยู่บนฝั่งในด้านหน้าของธนาคาร."
- "หนังสือที่น่าสนใจกำลังนอนอยู่บนโต๊ะ."
- ความหมายของคำคุณศัพท์
- "ดอกไม้สีแดง", "เพื่อนเท็จ"
- หัวที่ว่างเปล่าเช่น [Völkerเอตอัล 2005], [Cimiano และ Wenderoth 2005]
- "ปลาทูน่าเป็นชนิดของปลา. Bluefin ใต้เป็นหนึ่งในประเภทที่ใกล้สูญพันธุ์มากที่สุดของปลาทูน่า."
- จุดไข่ปลาและ underspecification
- "แมรี่เริ่มหนังสือ."
- Anaphora (เช่นคำสรรพนาม) เช่น [Cimiano และVölker 2005]
- "มีแอปเปิ้ลลงบนโต๊ะ. ก็เป็นสีแดง."
ปัญหาและความท้าทาย (Ctd. )
- อุปมาอุปมัยและแรงเป็นระยะเช่น [et al, 2007]
- "ชีวิตคือการเดินทาง."
- ความคิดเห็นใบเสนอราคาและการพูดรายงาน
- "ทอมคิดว่าโลมาเป็นสัตว์เลี้ยงลูกด้วย."
- สิ่งที่ควรจะเป็นตัวแทนในฐานะปัจเจกบุคคล? เช่น [Zirn เอตอัล 2008]
- "จิงโจ้เป็นสัตว์ที่อาศัยอยู่ในประเทศออสเตรเลีย."
- ชั้นความสัมพันธ์, (ทรัพย์สินวัตถุ) หรือแอตทริบิวต์ (ทรัพย์สินประเภทข้อมูล)
- "ช้างทั้งหมดเป็นสีเทา."
- "อีสเตอร์จันทร์เป็นวันหยุดประจำชาติ."
- ความรู้ที่มีการเปลี่ยนแปลงเช่น [Stojanovic 2004], [Zablith et al, 2009]
- "ดาวพลูโตเป็นดาวเคราะห์."
การเรียนรู้นกฮูกนิพจน์ชั้น
- ที่ได้รับ:
- ความรู้พื้นฐาน (โดยเฉพาะฐานความรู้นกฮูก / DL)
- ตัวอย่างบวกและลบ (บุคคลโดยเฉพาะในกลุ่มฐานความรู้)
- เป้าหมาย:
- สูตรตรรกะ (โดยเฉพาะอย่างยิ่งการแสดงออกชั้นนกฮูก) ครอบคลุมตัวอย่างบวกและไม่ครอบคลุมตัวอย่างลบ

ILP และเว็บความหมาย

- ตั้งแต่การเขียนโปรแกรม Logic ช่วงต้น 90s อุปนัย
- เพียงไม่กี่วิธีการขึ้นอยู่กับคำอธิบายของ logics
- อภิปรัชญาเว็บภาษา (OWL) จะกลายเป็นมาตรฐานของ W3C ในปี 2004
- จำนวนที่เพิ่มขึ้นของ RDF / นกฮูกฐาน knowlegde แต่ ILP ส่วนใหญ่ยังมุ่งเน้นไปที่โปรแกรมตรรกะ - ช่องว่างการวิจัย>
ทำไม ILP ในเว็บแบบ Semantic?
- การเรียนรู้ของอภิปรัชญา:
- ที่ได้รับในระดับ K
- กรณีตัวอย่างที่เป็นบวก
- กรณีที่ไม่ได้เป็นตัวอย่างในทางลบ
- คำจำกัดความที่สามารถเรียนรู้ได้ถ้า ABox มีข้อมูล
- การพัฒนาของการแก้ปัญหาปัญหาที่มีอยู่ ML
- การใช้งานโดยตรงของความรู้ในความหมายเว็บแทนของการแปลงในส่วนของคำสั่งฮอร์นเช่นใช้วิธีการ ML
สิ่งที่ต้องทำ: / refinerho หายไป ... ผู้ประกอบการปรับแต่งสี - นิยาม
- ให้ DL \ (\ mathcal {L} \) พิจารณาพื้นที่เสมือนสั่ง \ (\ \ langle mathcal {C} (\ mathcal {L}) \ sqsubseteq_ T \ rangle \) ไปที่แนวความคิดของ \ (\ mathcal {L} \)
- \ (\ Rho: \ mathcal {C} (\ mathcal {L}) \ to 2 ^ {\ mathcal {C} (\ mathcal {L})} \) เป็นลดลง \ (\ mathcal {L} \) การปรับแต่ง ถ้าการดำเนินการใด ๆ \ (C \ in \ mathcal {C} (\ mathcal {L}) \): \[D \in \rho(C) \text{ implies } D \sqsubseteq_ T C\]
- สัญกรณ์: เขียน \ (C \ ไป D \) แทน \ (D \ in \ Rho (C) \)
- ห่วงโซ่การปรับแต่งเช่นใน \ (\ \ langle mathcal {C} (EL) \ sqsubseteq_ T \ rangle \): \[ \top \to_{\rho} male \to male \sqcap \exists hasChild.\top \]
การเรียนรู้กับผู้ประกอบการปรับแต่ง

สิ่งที่ต้องทำ: \ refinerho ที่ขาดหายไป ... คุณสมบัติของผู้ประกอบการปรับแต่ง
\ (La \) ประกอบการปรับแต่งลง \ (Rho \) เรียกว่า- จำกัด IFF \ (\ Rho (C) \) คือ จำกัด สำหรับแนวคิดใด ๆ \ (\ in \ mathcal {C} (\ mathcal {L}) \)
- ซ้ำซ้อน IFF มีอยู่สองที่แตกต่างกัน \ (\ Rho \) โซ่การปรับแต่งจาก C แนวคิดกับแนวคิดดี
- ที่เหมาะสมสำหรับ IFF \ (C, D \ in \ mathcal {C} (\ mathcal {L}), C refinerho D \) หมายถึง \ (C \ ไม่ได้ \ equiv_T D \)
- เหมาะ IFF มันเป็นแน่นอนสมบูรณ์และเหมาะสม
- เสร็จสมบูรณ์ก็ต่อสำหรับ \ (C, D \ in \ mathcal {C} (La) กับ D \ sqsubseteq_ TC มี E แนวคิดต่อ E \ equiv_ TD และห่วงโซ่การปรับแต่ง C refinerho \ cdots refinerho E \)
- ที่ไม่ค่อยสมบูรณ์ก็ต่อแนวความคิดใด ๆ \ (C \) ด้วย \ (C \ sqsubseteq_T \ \ top) เราสามารถเข้าถึงแนวคิด \ (E \) ด้วย \ (E \ equiv_T C \) จาก \ (\ \ top) โดย \ ( \ Rho \)
- เหมาะ = สมบูรณ์ + + ที่เหมาะสม จำกัด
คุณสมบัติของผู้ประกอบการปรับแต่ง II
- คุณสมบัติระบุวิธีที่เหมาะสมในการดำเนินการปรับแต่งสำหรับการแก้ปัญหาการเรียนรู้:
- ผู้ประกอบการที่ไม่สมบูรณ์อาจจะพลาดการแก้ปัญหา
- ผู้ประกอบการที่ซ้ำซ้อนอาจนำไปสู่แนวคิดที่ซ้ำกันในต้นไม้ค้นหา
- ผู้ประกอบการที่ไม่เหมาะสมอาจสร้างแนวคิดเทียบเท่า (ซึ่งครอบคลุมตัวอย่างเดียวกัน)
- สำหรับผู้ประกอบการที่ไม่มีที่สิ้นสุดมันอาจจะไม่เป็นไปได้ที่จะคำนวณการปรับแต่งทั้งหมดของแนวความคิดที่กำหนด
- เราวิจัยคุณสมบัติของผู้ประกอบการปรับแต่งในรายละเอียด Logics
- คำถามสำคัญ: คุณสมบัติที่สามารถนำมารวม?
การปรับแต่งทฤษฎีบทให้ผู้ประกอบการ
ทฤษฎีบท
ชุดสูงสุดของคุณสมบัติของ \ (\ mathcal {L} \) ผู้ประกอบการปรับแต่งที่สามารถทำงานร่วมกันเพื่อ \ (\ mathcal {L} \ in \ {\ mathcal {ALC} \ mathcal {ALCN} \ mathcal {Shoin} \ mathcal {SROIQ} \} \):- {ไม่ค่อยสมบูรณ์ครบถ้วน จำกัด }
- {ไม่ค่อยสมบูรณ์ครบถ้วนเหมาะสม}
- {ไม่ค่อยสมบูรณ์ไม่ซ้ำซ้อน จำกัด }
- {สมบูรณ์นิดหน่อยที่ไม่ซ้ำซ้อนที่เหมาะสม}
- {ไม่ซ้ำซ้อนขอบเขตที่เหมาะสม}
เจมาห์พี hitzler, ILP ประชุม 2008
"การเรียนรู้แนวความคิดในรายละเอียด Logics ใช้ประกอบการปรับแต่ง"
เจมาห์พี hitzler, เครื่องการเรียนรู้, 2010
ดำเนินการให้การปรับแต่งครั้งที่สองทฤษฏี
- ไม่มีการปรับแต่งในอุดมคตินกฮูกและ logics คำอธิบายของหลาย
- แสดงให้เห็นว่าการเรียนรู้ใน DLs เป็นเรื่องยาก
- อัลกอริทึมต้องตอบโต้ข้อเสีย
- เป้าหมาย: พัฒนาผู้ประกอบการใกล้กับขีด จำกัด ทางทฤษฎี
ความหมายของ \ (\ mathcal {p} \)

ความหมายของ \ (\ mathcal {p} \) II

ความหมายของ \ (\ mathcal {p} \) III

ความหมายของ \ (\ mathcal {p} \) IV

สิ่งที่ต้องทำ: ตัวอักษร .. \ (\ mathcal {p} \) คุณสมบัติ
- \ (\ op \) เสร็จสมบูรณ์
- \ (\ op \) ไม่มีที่สิ้นสุดเช่นมีหลายขั้นตอนการปรับแต่งอนันต์ของฟอร์ม: \ (\ \ top refineop C_1 \ sqcup C_2 \ sqcup C_3 \ sqcup \ dots \)
- \ (\ op \) ไม่เหมาะสม แต่สามารถขยายไปยัง \ emph {ประกอบที่เหมาะสม \ (\ opclosed \)} (การปรับแต่งให้มีราคาแพงกว่าในการคำนวณ)
- \ (\ op \) จะซ้ำซ้อน:
สิ่งที่ต้องทำ: ตัวอักษร .. \ (\ mathcal {p} \) II คุณสมบัติ
- \ (\ op \) เสร็จสมบูรณ์
- \ (\ op \) ไม่มีที่สิ้นสุดเช่นมีหลายขั้นตอนการปรับแต่งอนันต์ของฟอร์ม: \ (\ \ top refineop C_1 \ sqcup C_2 \ sqcup C_3 \ sqcup \ dots \)
- \ (\ op \) ไม่เหมาะสม แต่สามารถขยายไปยังผู้ประกอบการที่เหมาะสม \ (\ opclosed \) (กลั่นกรองราคาแพงมากขึ้นในการคำนวณ)
- \ (\ op \) จะซ้ำซ้อน:
"การปรับแต่งการใช้งานขั้นตอนวิธีการเรียนรู้ที่ใช้สำหรับ \ (\ mathcal {ALC} \) Logic รายละเอียด"
เจมาห์พี hitzler, ILP ประชุม 2008
"การเรียนรู้แนวความคิดในรายละเอียด Logics ใช้ประกอบการปรับแต่ง"
เจมาห์พี hitzler, เครื่องการเรียนรู้, 2010
OCEL
- ใช้ \ (mathcal {p} \) สำหรับการค้นหาบนลงล่าง
- OCEL เสร็จสมบูรณ์ - มันมักจะหาวิธีแก้ปัญหาถ้ามีอยู่
- กำหนดสูงภาษาเป้าหมายเช่น felxible เกณฑ์การเลิกจ้างและการวิเคราะห์พฤติกรรม
- ใช้เทคนิคการขจัดความซ้ำซ้อนกับ WRT ซับซ้อน polynommial ขนาดต้นไม้ค้นหาตามรูปแบบสั่งการปฏิเสธปกติ
- สามารถจัดการกับผู้ประกอบการปรับแต่งแบบขั้นตอนโดยไม่มีที่สิ้นสุดการขยายตัวในแนวนอนที่มีความยาว จำกัด
สิ่งที่ต้องทำ: ขยายโหนดแบบขั้นตอน
scalability: เหตุผล
\ (\ mathcal {K} = \ {\ mathcal {ชาย} \ sqsubseteq \ mathcal {บุคคล} \)
\ (\ mathcal {OnlyMaleChildren} () \)
\ (\ {} คน mathcal (a) \ mathcal {ชาย} (a_1) \ mathcal {ชาย} (a_2) \)
\ (\ mathcal {} hasChild (, a_1) \ mathcal {} hasChild (, a_2) \} \)
- ให้ \ (\ mathcal {K} \) เราต้องการที่จะเรียนรู้รายละเอียดของ \ (\ mathcal {OnlyMaleChildren} \)
- \ (C = \ {บุคคล} \ mathcal sqcap \ forall \ mathcal {hasChild}. \ mathcal {ชาย} \) ที่ดูเหมือนจะเป็นทางออกที่ดี แต่ \ (\ mathcal {} \) ไม่ได้เป็นตัวอย่างของ \ ( mathcal {C} \) ภายใต้ OWA
- ความคิด: dematerialise \ (K \) โดยใช้มาตรฐาน (OWA) DL เฟ้น แต่ดำเนินการตรวจสอบเช่นการใช้ค
- เพื่อใกล้ชิดกับสัญชาตญาณและมีการปรับปรุงประสิทธิภาพการทำงานที่สำคัญ
- เหมาะสำหรับการพันของการตรวจสอบตัวอย่างจากฐานความรู้แบบคงที่
scalability: คำนวณครอบคลุม Stochastic
Heuristics มักจะต้องมีการตรวจสอบเช่นแพงหรือการดึงเช่น:
\[\begin{aligned} %\acc(C) & = \frac{1}{2} \cdot \left( \frac{\mathbf{|R(A) \cap R(C)|}}{|R(A)|} + \sqrt{\frac{\mathbf{|R(A) \cap R(C)|}}{\mathbf{|R(C)|}}} \right) %\acc(C) & = \frac{1}{2} \cdot \left( \frac{|R(A) \cap R(C)|}{|R(A)|} + \sqrt{\frac{|R(A) \cap R(C)|}{|R(C)|}} \right) \end{aligned}\]scalability: Stochastic ครอบคลุม II คำนวณ
Heuristics มักจะต้องมีการตรวจสอบเช่นแพงหรือการดึงเช่น:
\[\begin{aligned} %\acc(C) & = \frac{1}{2} \cdot \left( \frac{a}{|R(A)|} + \sqrt{\frac{a}{b}} \right) \end{aligned}\]- แทนที่ \ (| R (A) \ ฝา R (C) | \) und \ (| R (C) | \) โดยตัวแปร \ (\) และ \ (b \) เราต้องการที่จะประเมิน
- Wald วิธีการสำหรับการคำนวณช่วงความเชื่อมั่นที่ 95%
- ประมาณการครั้งแรก \ (mathcal {} \) จากนั้นแสดงออกทั้ง
- วิธีการที่สามารถนำไปใช้วิเคราะห์พฤติกรรมต่างๆ
- ในการทดสอบจีส์จริงถึง 99% น้อยการตรวจสอบเช่นอัลกอริถึง 30 ครั้งเร็ว
- อิทธิพลต่ำกับผลการเรียนรู้ที่แสดงสังเกตุในการเรียนรู้ปัญหาที่ 380 เมื่อวันที่ 7 จีส์จริง (แตกต่างกันไปตามแคลิฟอร์เนีย. \ (0,2% \ \ PM 0,4% \ \))
scalability: สกัด Fragment
สกัดจากเศษเล็กเศษน้อยจากปลายทาง SPARQL / ข้อมูลที่เชื่อมโยง:
"การเรียนรู้จากนกฮูก {} คำอธิบายชั้นบนขนาดใหญ่มากฐานความรู้"
Hellmann มาห์น, Auer, Int วารสาร Inf เว็บความหมาย Syst, 2009
การประเมินผลการติดตั้ง
- การขาดมาตรฐานในการประเมินผลนกฮูก / DL การเรียนรู้
- ขั้นตอน: แปลงมาตรฐานที่มีอยู่เพื่อ OWL (เสียเวลาต้องมีความรู้โดเมน)
- วัดความแม่นยำในการพยากรณ์จากการตรวจสอบข้ามสิบเท่า
- ส่วนที่ 1: การประเมินผลกระทบนกฮูก / DL ระบบการเรียนรู้
- ส่วนที่ 2: การประเมินผลกับระบบอื่น ๆ ML (ปัญหาการเกิดมะเร็ง)
- ส่วนที่ 3: การประเมินผลจากยานอภิปรัชญา
การประเมินผลความถูกต้อง

- คอลเลกชันจาก 6 Benchmarks
- สถิติ OCEL บ่อย อย่างมีนัยสำคัญที่ดีกว่าอัลกอริทึมอื่น ๆ สำหรับมาตรฐานมากที่สุด
การประเมินผล: การอ่าน

- YinYang สร้างโซลูชั่นอย่างมีนัยสำคัญอีกต่อไป
การประเมินผล: Runtime

การเกิดมะเร็ง
- เป้าหมาย: ทำนายว่าส่วนผสมทางเคมีที่ก่อให้เกิดมะเร็ง
- ทำไม?
- มากกว่า 1000 สารใหม่ในแต่ละปี
- สารที่สามารถมักจะได้รับการทดสอบผ่านการทดลองเป็นเวลานานและมีราคาแพงเมื่อหนู
- ความรู้พื้นฐาน:
- ฐานข้อมูลของสหรัฐโปรแกรมพิษวิทยาแห่งชาติ (NTP)
- ดัดแปลงมาจากอารัมภบทถึงนกฮูก
"ได้รับการแจ้งเตือนโครงสร้างที่ถูกต้องสำหรับสาเหตุของการเกิดโรคมะเร็งเคมีเป็นปัญหาของค่าทางวิทยาศาสตร์และมนุษยธรรมที่ดี." (ก. Srinivasan, RD คิงจุ๊ Muggleton, MJE สเติร์น 1997)
มะเร็ง II

- ปัญหาที่ท้าทายมาก: ความถูกต้องต่ำส่วนเบี่ยงเบนมาตรฐานสูง
- สถิติ OCEL ลงชื่อ ดีกว่าวิธีการอื่น ๆ มากที่สุด
การประเมินผลการเรียนรู้อภิปรัชญา
- 5 studens ปริญญาเอก
- 5 จีส์จริงในโดเมนที่แตกต่างกัน
- 998 การตัดสินใจของผู้ทดสอบแต่ละ 92 ชั้นเรียน
- ใน 35% ของกรณีที่ได้รับการยอมรับคำแนะนำสำหรับการปรับปรุงอภิปรัชญา
- ปัญหาคุณภาพอภิปรัชญาข้อผิดพลาดในการสร้างแบบจำลอง (เรียน unsatisfiable, ร้าวฉานและร่วมสับสน ฯลฯ )
โครงการ DL-Learner
- DL-Learner โอเพ่นซอร์ส Projekt: http://dl-learner.org, http://sf.net/projects/dl-learner
- ขยายแพลตฟอร์มสำหรับปัญหาการเรียนรู้ที่แตกต่างกันและขั้นตอนวิธี
- การเชื่อมต่อ: บรรทัดคำสั่ง GUI, เว็บบริการ
- สนับสนุนรูปแบบนกฮูกที่พบบ่อย
- ช่วยให้ reasoners แตกต่างกัน (ผ่านทางนกฮูก API, DIG, OWLLink)
- mloss.org (ซอฟแวร์ที่มา ML & เปิด): 1600 ดาวน์โหลด
การประยุกต์ใช้งาน
- "คลาสสิก" ปัญหา ML
- การเกิดมะเร็ง
- งานด้านการแพทย์อื่น ๆ
II โปรแกรม

- "คลาสสิก" ปัญหา ML
- การเกิดมะเร็ง
- งานด้านการแพทย์อื่น ๆ
- การเรียนรู้ของอภิปรัชญา
- ปลั๊กอินProtégé
III โปรแกรม

- "คลาสสิก" ปัญหา ML
- การเกิดมะเร็ง
- งานด้านการแพทย์อื่น ๆ
- การเรียนรู้ของอภิปรัชญา
- ปลั๊กอินProtégé
- ปลั๊กอิน OntoWiki
IV โปรแกรม

- "คลาสสิก" ปัญหา ML
- การเกิดมะเร็ง
- งานด้านการแพทย์อื่น ๆ
- การเรียนรู้ของอภิปรัชญา
- ปลั๊กอินProtégé
- ปลั๊กอิน OntoWiki
- แร่
V โปรแกรม

- "คลาสสิก" ปัญหา ML
- การเกิดมะเร็ง
- งานด้านการแพทย์อื่น ๆ
- การเรียนรู้ของอภิปรัชญา
- ปลั๊กอินProtégé
- ปลั๊กอิน OntoWiki
- แร่
- คำแนะนำ / นำร่อง
- moosique.net
หกโปรแกรม

- "คลาสสิก" ปัญหา ML
- การเกิดมะเร็ง
- งานด้านการแพทย์อื่น ๆ
- การเรียนรู้ของอภิปรัชญา
- ปลั๊กอินProtégé
- ปลั๊กอิน OntoWiki
- แร่
- คำแนะนำ / นำร่อง
- moosique.net
- นาวิเกเตอร์ DBpedia
หกโปรแกรม

- "คลาสสิก" ปัญหา ML
- การเกิดมะเร็ง
- งานด้านการแพทย์อื่น ๆ
- การเรียนรู้ของอภิปรัชญา
- ปลั๊กอินProtégé
- ปลั๊กอิน OntoWiki
- แร่
- คำแนะนำ / นำร่อง
- moosique.net
- นาวิเกเตอร์ DBpedia
- อื่น ๆ / ภายนอก:
- นางสาว (Gerken, et al.)
- การเรียนรู้ใน DLs ความน่าจะเป็น (โอชัว Luna, et al.)
- TIGER Corpus Navigator (Hellmann, et al.)
สรุปผลการวิจัย

- การศึกษาอภิปรัชญาเป็นพื้นที่การวิจัยที่มีความหลากหลายที่เกี่ยวข้องกับสาขาวิชาวิจัยหลายคน (NLP, กลไกการเรียนรู้วิศวกรรมอภิปรัชญา)
- วิธีการที่แตกต่างกันในการใช้แหล่งข้อมูลและการแสดงออกของจีส์ถูกสร้างขึ้น
- ประกอบการปรับแต่งตามการเรียนรู้เป็นวิธีการหนึ่งสำหรับคำจำกัดความการเรียนรู้ (กับการใช้งานด้านนอกของจีส์การเรียนรู้)
- วิกิพีเดียใหม่ (ก่อสร้าง): http://ontology-learning.net
- อภิปรัชญาใหม่การเรียนรู้หนังสือในปี 2011