• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Machine learning >Representation Changes for Efficient Learning in Structural Domains
【24h】

Representation Changes for Efficient Learning in Structural Domains

机译：结构域中有效学习的表示形式更改

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper presents an efficient approach to address the task of learning from large number of learning examples in structural domains. While in attribute-value representations only one mapping is possible between descriptions, in first order logic representations there are potentially many mappings. Classic approaches consider all mappings and then define a restricted hypothesis space to cope with the intractability of exploring all mappings. Our approach is to select one particular type of mapping at a time and use it as a basis to define a new hypothesis space. We show that such a hypothesis space, called a Matching Space, may be represented using attribute-value pairs. In a Matching Space, it is therefore possible to use propositional learners. The concept descriptions found may then be mapped back into the initial first order logic representation. It appears that characterizing a Matching Space is equivalent to shifting the representation of examples: the new learning examples represent only a "part" of the initial examples. Based on a taxonomy of elementary parts provided by the user, we consider a particular set of composite parts -called "morions"- that are used to automatically and iteratively change the representation of examples. Experimental results obtained with an implemented system, REMO, show the benefits of this approach. We have used REMO to learn characteristic descriptions of concepts related to the pronunciation of Chinese characters from a corpus of more than three thousands characters.
机译：本文提出了一种有效的方法来解决结构域中大量学习示例中的学习任务。虽然在属性值表示中，描述之间可能只有一个映射，但是在一阶逻辑表示中，可能存在许多映射。经典方法考虑所有映射，然后定义一个受限的假设空间，以应对探索所有映射的难处理性。我们的方法是一次选择一种特定类型的映射，并以此为基础定义新的假设空间。我们证明了这样一个假设空间，称为匹配空间，可以使用属性值对来表示。因此，在匹配空间中，可以使用命题学习器。找到的概念描述然后可以映射回初始的一阶逻辑表示。似乎表征匹配空间等同于转移示例的表示形式：新的学习示例仅代表初始示例的“一部分”。基于用户提供的基本零件的分类法，我们考虑了一组特定的复合零件（称为“零件”），这些零件用于自动迭代地更改示例的表示形式。使用已实现的系统REMO获得的实验结果表明了该方法的好处。我们已经使用REMO从超过三千个字符的语料库中学习与汉字发音有关的概念的特征描述。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号