Semantic-based regularization for learning and inference

این مقاله یک روش یکپارچه برای یادگیری از محدودیت ها ارائه می دهد که توانایی تکنیک های یادگیری ماشین کلاسی را برای یادگیری از بازنمایی های مستمر مبتنی بر ویژگی با توانایی استدلال با استفاده از دانش معناشناختی سطح بالا معمولی از یادگیری آماری مرتبط ارائه می دهد. وظایف یادگیری در چارچوب کلی بهینه سازی چند هدفه مدل سازی می شوند، که در آن علاوه بر اصطلاح اصلاح سنتی صلح باید مجموعه ای از محدودیت ها را نیز رعایت کند. محدودیت ها فرمول های منطق سفارش اولیه را ترجمه می کنند که می توانند از طریق استفاده از منطق فازی، یادگیری از نمونه های نظارتی و دانش پیشین کلی در مورد محیط را بیان کنند. با اجرای محدودیت ها بر روی مجموعه آزمون، این مقاله فرمت طبیعی چارچوب را برای طبقه بندی جمعی ارائه می دهد. جالب توجه است که این نظریه برای هر دو مورد داده های ارائه شده توسط بردارهای ویژگی و مورد داده ها به سادگی بیان شده توسط شناسه های الگو، به این ترتیب گسترش ماشین آلات کلاسیک هسته و تنظیم مقداری گراف است. این مقاله همچنین یک تفسیر احتمالی از طرح یادگیری پیشنهاد شده را پیشنهاد می دهد و اتصالات جذاب با رویکردهای احتمالی مانند شبکه های منطق مارکوف را برجسته می کند. نتایج تجربی در معیارهای کلاسیک، شواهد واضحی از پیشرفت قابل توجهی که در رابطه با رویکردهای مرتبط به دست آمده است، ارائه می شود.