[論文レビュー] Combining Machine Learning and Ontology: A Systematic Literature Review

Sarah Ghidalia, Ouassila Labbani+2 more|arXiv (Cornell University)|Jan 15, 2024

Semantic Web and Ontologies被引用数 5

ひとこと要約

本論文は機械学習とオントロジーのハイブリッド化を分類するために128件の研究を調査し、3つの主要なグループを概説し、使用されたアルゴリズム、推論タイプ、および適用分野を分析する。

ABSTRACT

Motivated by the desire to explore the process of combining inductive and deductive reasoning, we conducted a systematic literature review of articles that investigate the integration of machine learning and ontologies. The objective was to identify diverse techniques that incorporate both inductive reasoning (performed by machine learning) and deductive reasoning (performed by ontologies) into artificial intelligence systems. Our review, which included the analysis of 128 studies, allowed us to identify three main categories of hybridization between machine learning and ontologies: learning-enhanced ontologies, semantic data mining, and learning and reasoning systems. We provide a comprehensive examination of all these categories, emphasizing the various machine learning algorithms utilized in the studies. Furthermore, we compared our classification with similar recent work in the field of hybrid AI and neuro-symbolic approaches.

研究の動機と目的

• オントロジーと機械学習を組み合わせる既存アプローチの概要を提供する。
• 帰納的推論と演繹的推論のハイブリッド化における動機、方法論、課題を特定する。
• 調査対象の研究を意味のあるカテゴリに分類し、用いられたMLアルゴリズムとオントロジー推論を分析する。
• 包含関係を超える非階層的なオントロジー推論の普及度を評価する。
• 収集された文献の適用領域とAIテーマを強調する。

提案手法

• 研究問題と研究選定のプロトコルを定義する。
• 3つのデータベース（Web of Science, ACM Digital Library, Science Direct）を、精査されたキーワード（ ontology, machine learning, deep learning, neural network, artificial intelligence ）で検索する。
• 包含・除外基準と品質基準を適用して主要研究を抽出する。
• 各研究から属性を抽出する（年、国、MLアルゴリズム、オントロジー推論、AIテーマ、カテゴリ）。
• 研究質問に答えるために記述統計を実施する。

実験結果

リサーチクエスチョン

• RQ1 RQ1: 文献においてオントロジーと機械学習はなぜ、どのように組み合わされるのか？
• RQ2 RQ2: これらの研究で用いられている機械学習アルゴリズムは何か？
• RQ3 RQ3: 研究は推論のために非階層的（包含を超える）オントロジー規則を使用しているか？
• RQ4 RQ4: これらの研究に現れる主なAIテーマ（ACM CCS別）は何か？
• RQ5 RQ5: 研究が対象とする適用領域は何か？

主な発見

• 128件の研究を分析し、2010年以降研究量が増加し、2018年から現在まで加速（2018年以降に公開された割合は57%）。
• 3つの主要カテゴリが特定された：学習を強化したオントロジー、セマンティックデータマイニング、学習と推論システム。
• ニューラルネットワークは監視付きおよび自己教師あり設定で顕著である。教師なしではクラスタリングと従来手法の使用が依然として一般的である。
• 研究のうち37%だけが非階層的、非包含推論を用いており、多くは包含関係に依存している。
• 健康が優勢な適用領域（約24%）、ヨーロッパとアジアが主要な貢献地域；NLPとコンピュータビジョンは最も一般的なAIテーマのひとつ。