该文提出了一种将机器学习与知识推理相结合的可解释性框架，旨在解决模型决策的不可见性问题。框架包括知识推理模块、机器学习模块和融合模块。知识推理模块基于本体库和规则库提供决策依据，机器学习模块构建了目标特征分类器和子特征分类器。融合模块则通过提取子特征、推理支持和结果演进来增强解释性。在宫颈癌细胞识别案例中验证了框架的有效性。
论文-融合机器学习与知识推理的可解释性框架-李迪媛1, 康达周2
文章目录
1.摘要
- 面向的问题:规则无法反映模型真实决策情况
- 机器学习–>目标特征结果
子特征分类结果结合规则进行知识推理—>推理结果- 计算可信度–>判断结果是否可靠
面向液基细胞学检查图像的融合学习与推理和某类宫颈癌细胞 识别案例对框架–>验证框架正确性
2.机器学习
线性回归,决策树模型
3.融合机器学习与知识推理的可解释性框架
包含3个模块:
- 知识推理模块
- 机器学习模块
- 知识推理融合机器学习模块
| 模块 | 功能 |
|---|---|
| 知识推理模块 | 构建与决策目标有关的本体库和规则库 |
| 机器学习模块 | 构建包括一个目标特征分类器和多个子特征分类器的分类器组 |
| 知识推理融合机器学习模块 | 提取子特征; 支持机器学习结果的知识推理;演进推理结果和机器学习结果 |
3.1知识推理模块
提供推理决策的领域知识和业务规则
本体库 O [支持网络本体语言 (Ontology Web Language, OWL)]–基于O->
规则库 K[ 它支持语义网规则语言 (Semantic Web Rule Language, SWRL)]
3.2 机器学习模块
一个目标特征分类器C 和多个子特征分类器 C1~Cn 的分类器组
分类器组通过神经网络组结合数据集 D、 D1~Dn 训练得到
1205
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
