[論文レビュー] A generalized concept-cognitive learning: A machine learning viewpoint

Yunlong Mi, Yong Shi+1 more|arXiv (Cornell University)|Jan 8, 2018

Rough Sets and Fuzzy Logic参考文献 38被引用数 4

ひとこと要約

本稿は、機械学習の観点から、概念的認知計算（CCC）と概念的認知学習モデル（CCLM）を統合することで、動的かつ概念形成と認知処理を可能にする一般化された概念的認知学習（GCCL）フレームワークを提案する。UCIデータセットを用いた実験により、GCCLが概念ラティスの生成とスケーラブルなパフォーマンスを有するインクリメンタル学習をサポートする可能性が裏付けられた。

ABSTRACT

Concept-cognitive learning (CCL) is a hot topic in recent years, and it has attracted much attention from the communities of formal concept analysis, granular computing and cognitive computing. However, the relationship among cognitive computing (CC), concept-cognitive computing (CCC), CCL and concept-cognitive learning model (CCLM) is not clearly described. To this end, we first explain the relationship of CC, CCC, CCL and CCLM. Then, we propose a generalized concept-cognitive learning (GCCL) from the point of view of machine learning. Finally, experiments on some data sets are conducted to verify the feasibility of concept formation and concept-cognitive process of GCCL.

研究の動機と目的

• 認知計算（CC）、概念的認知計算（CCC）、概念的認知学習（CCL）、および概念的認知学習モデル（CCLM）の間の階層的関係を明確化すること。
• 古典的CCLとCCLMを統合する一般化された概念的認知学習（GCCL）フレームワークを構築し、より広範な機械学習統合を実現すること。
• 実世界のデータセットを用いて、GCCLにおける概念形成および概念的認知プロセスの実現可能性を検証すること。
• 複数のデータセットにおけるインクリメンタル学習を通じて、GCCLのスケーラビリティと効率性を示すこと。

提案手法

• 古典的CCLとCCLMを統合することで、オブジェクト集合と属性集合からの概念ラティス構築を重視する、一般化された概念的認知学習（GCCL）フレームワークを提案する。
• 名目属性を二値表現に変換するスケーリング手法を用いて形式的文脈を構築し、概念ラティスの生成を可能にする。
• 新しいインスタンスが追加されるたびに概念ラティスを更新するインクリメンタル学習を採用し、動的知識表現を維持する。
• 形式的概念分析（FCA）の原則を用いて、各概念の拡張（extent）と意図（intent）を定義することで、データから概念ラティスを導出する。
• JDK 1.8とEclipseを用いてJavaでGCCLプロセスを実装し、概念ラティスのサイズと実行時間を指標としてパフォーマンスを測定する。
• 概念形成のための入力標準化を目的として、前処理を施した2つのUCIデータセット（Voting RecordsおよびMushroom）を用いる。

実験結果

リサーチクエスチョン

• RQ1 認知計算（CC）、概念的認知計算（CCC）、概念的認知学習（CCL）、および概念的認知学習モデル（CCLM）の間には、どのような階層的関係があるか？
• RQ2 一般化された概念的認知学習（GCCL）フレームワークは、古典的CCLとCCLMを統合し、より広範な機械学習応用を可能にするか？
• RQ3 GCCLにおける概念形成プロセスは、異なるデータサイズにおいて実現可能でスケーラブルか？
• RQ4 GCCLにおけるインクリメンタルな概念的認知プロセスは、進化するデータストリームに対してどれほど効率的か？

主な発見

• GCCLフレームワークは、前処理済みUCIデータセットから概念ラティスを効果的に生成し、データサイズが20から2,000インスタンスに増加するに従い、ラティスサイズが55から2,149にまで増加した。
• データサイズの増加に伴い、概念ラティスの構築時間が著しく増加し、Mushroomデータセットでは2,000インスタンスで81.26秒に達した。
• 最大のデータセットにおいて1,000件の新しいインスタンスを処理するインクリメンタル学習に最大28.67秒を要し、動的更新下でもスケーラビリティを示した。
• 複数のデータセットにわたり安定したパフォーマンスを示し、概念ラティスの成長はデータサイズおよび属性の複雑さに比例した。
• スケーリングされた属性（o）および（s）の使用により、生データを形式的文脈に効果的にマッピングし、概念分析に適した状態に変換できた。