[论文解读] 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 4

一句话总结

本文从机器学习视角提出了一种广义概念认知学习（GCCL）框架，整合了概念认知计算（CCC）与概念认知学习模型（CCLM），以实现动态概念形成与认知处理。在UCI数据集上的实验表明，GCCL在生成概念格及支持可扩展性能的增量学习方面具有可行性。

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.

研究动机与目标

• 阐明认知计算（CC）、概念认知计算（CCC）、概念认知学习（CCL）与概念认知学习模型（CCLM）之间的层次关系。
• 开发一种广义概念认知学习（GCCL）框架，统一经典CCL与CCLM，以促进更广泛的机器学习集成。
• 通过真实世界数据集验证GCCL中概念形成与概念认知过程的可行性。
• 通过在多个数据集上进行增量学习，展示GCCL的可扩展性与效率。

提出的方法

• 通过整合经典CCL与CCLM，提出广义概念认知学习（GCCL）框架，强调从对象集与属性集构建概念格。
• 采用缩放方法将名义属性转换为二进制表示，以构建形式背景，从而实现概念格的生成。
• 采用增量学习机制，在新增实例时更新概念格，保持动态知识表示。
• 应用形式概念分析（FCA）原理，从数据中推导出概念格，其中扩展（extent）与内涵（intent）定义每个概念。
• 使用JDK 1.8与Eclipse在Java中实现GCCL流程，性能通过概念格大小与运行时间进行衡量。
• 在预处理后，使用两个UCI数据集——投票记录（Voting Records）与蘑菇（Mushroom）——以标准化输入用于概念形成。

实验结果

研究问题

• RQ1 认知计算（CC）、概念认知计算（CCC）、概念认知学习（CCL）与概念认知学习模型（CCLM）之间存在怎样的层次关系？
• RQ2 广义概念认知学习（GCCL）框架能否统一经典CCL与CCLM，以支持更广泛的机器学习应用？
• RQ3 GCCL中的概念形成过程在不同数据规模下是否可行且可扩展？
• RQ4 GCCL中的增量概念认知过程在演化数据流中效率如何？

主要发现

• GCCL框架成功从预处理后的UCI数据集中生成了概念格，随着数据量从20增至2,000个实例，概念格大小从55增长至2,149。
• 概念格构建时间随数据量显著增加，在蘑菇数据集中，2,000个实例时达到81.26秒。
• 对1,000个新实例的增量学习最多耗时28.67秒，表明在动态更新下具备良好的可扩展性。
• 该框架在多个数据集上表现出稳定性能，概念格增长与数据量及属性复杂度成正比。
• 使用缩放属性（o）与（s）可有效将原始数据映射至形式背景，以支持概念分析。