[논문 리뷰] A generalized concept-cognitive learning: A machine learning viewpoint

Yunlong Mi, Yong Shi외 1명|arXiv (Cornell University)|2018. 01. 08.

Rough Sets and Fuzzy Logic참고 문헌 38인용 수 4

한 줄 요약

이 논문은 기계 학습 관점에서 개념-인지 계산(CCC)과 개념-인지 학습 모델(CCLM)을 통합하여 동적 개념 형성과 인지 처리를 가능하게 하는 일반화된 개념-인지 학습(GCCL) 프레임워크를 제안한다. UCI 데이터셋에서의 실험을 통해 GCCL이 개념 래티스 생성 및 확장 가능한 성능를 갖춘 점진적 학습을 지원하는 것이 타당함을 입증한다.

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.

연구 동기 및 목표

• 인지 계산(CC), 개념-인지 계산(CCC), 개념-인지 학습(CCL), 개념-인지 학습 모델(CCLM) 간의 계층적 관계를 명확히 하기 위해.
• 기존 CCL과 CCLM을 통합하여 더 넓은 기계 학습 통합을 위한 일반화된 개념-인지 학습(GCCL) 프레임워크를 개발하기 위해.
• 실제 데이터셋을 사용하여 GCCL에서의 개념 형성 및 개념-인지 과정의 타당성을 검증하기 위해.
• 다양한 데이터 세트에서의 점진적 학습을 통해 GCCL의 확장성과 효율성을 입증하기 위해.

제안 방법

• 기존 CCL과 CCLM을 통합하여 일반화된 개념-인지 학습(GCCL) 프레임워크를 제안하며, 객체 집합과 속성 집합에서 개념 래티스를 구축하는 데 중점을 둔다.
• 명목형 속성을 이진 표현으로 변환하기 위한 스케일링 방법을 사용하여 형식적 맥락을 구성함으로써 개념 래티스 생성을 가능하게 한다.
• 새로운 인스턴스가 추가될 때마다 개념 래티스를 업데이트하기 위해 점진적 학습을 활용하여 동적 지식 표현을 유지한다.
• 형식적 개념 분석(FCA) 원리를 적용하여 데이터에서 개념 래티스를 유도하며, 각 개념의 범위와 의도가 정의된다.
• JDK 1.8과 Eclipse를 사용하여 자바로 GCCL 프로세스를 구현하였으며, 개념 래티스 크기와 실행 시간을 측정하여 성능를 평가하였다.
• 개념 형성에 적합한 입력을 표준화하기 위해 사전 처리를 거친 두 개의 UCI 데이터셋—Voting Records와 Mushroom—을 사용하였다.

실험 결과

연구 질문

• RQ1 인지 계산(CC), 개념-인지 계산(CCC), 개념-인지 학습(CCL), 개념-인지 학습 모델(CCLM) 간의 계층적 관계는 어떻게 되는가?
• RQ2 일반화된 개념-인지 학습(GCCL) 프레임워크는 기존 CCL과 CCLM을 통합하여 더 넓은 기계 학습 응용 분야에 활용할 수 있는가?
• RQ3 GCCL에서의 개념 형성 과정은 다양한 데이터 크기에서 타당하고 확장 가능한가?
• RQ4 GCCL에서의 점진적 개념-인지 과정은 변화하는 데이터 스트림에서 얼마나 효율적인가?

주요 결과

• GCCL 프레임워크는 사전 처리된 UCI 데이터셋에서 개념 래티스를 성공적으로 생성하였으며, 데이터 크기가 20에서 2,000개 인스턴스로 증가함에 따라 래티스 크기가 55에서 2,149로 증가하였다.
• 데이터 크기가 증가함에 따라 개념 래티스 구축 시간이 크게 증가하였으며, Mushroom 데이터셋에서 2,000개 인스턴스일 경우 81.26초에 이를 것으로 나타났다.
• 가장 큰 데이터셋에서 1,000개의 새로운 인스턴스를 위한 점진적 학습은 최대 28.67초가 소요되어 동적 업데이트 상황에서도 확장성을 입증하였다.
• 다양한 데이터 세트에서 안정적인 성능를 보였으며, 개념 래티스의 성장은 데이터 크기와 속성 복잡도에 비례하였다.
• 스케일링된 속성(o)와 (s)의 사용은 원시 데이터를 형식적 맥락으로 효과적으로 매핑하여 개념 분석에 기여하였다.