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