論文の概要: Informed Machine Learning with Knowledge Landmarks

• arxiv url: http://arxiv.org/abs/2604.00256v1
• Date: Tue, 31 Mar 2026 21:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.731195
• Title: Informed Machine Learning with Knowledge Landmarks
• Title（参考訳）: 知識ランドマークを用いたインフォームド機械学習
• Authors: Chuyi Dai, Witold Pedrycz, Suping Xu, Ding Liu, Xianmin Wang,
• Abstract要約: 本稿では,知識データMLの新たな方向性を提案する。 2つの物理governedベンチマークの実験は、提案されたKDモデルがデータ駆動MLモデルより一貫して優れていることを示した。
• 参考スコア（独自算出の注目度）: 45.80480658217726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Informed Machine Learning has emerged as a viable generalization of Machine Learning (ML) by building a unified conceptual and algorithmic setting for constructing models on a unified basis of knowledge and data. Physics-informed ML involving physics equations is one of the developments within Informed Machine Learning. This study proposes a novel direction of Knowledge-Data ML, referred to as KD-ML, where numeric data are integrated with knowledge tidbits expressed in the form of granular knowledge landmarks. We advocate that data and knowledge are complementary in several fundamental ways: data are precise (numeric) and local, usually confined to some region of the input space, while knowledge is global and formulated at a higher level of abstraction. The knowledge can be represented as information granules and organized as a collection of input-output information granules called knowledge landmarks. In virtue of this evident complementarity, we develop a comprehensive design process of the KD-ML model and formulate an original augmented loss function L, which additively embraces the component responsible for optimizing the model based on available numeric data, while the second component, playing the role of a granular regularizer, so that it adheres to the granular constraints (knowledge landmarks). We show the role of the hyperparameter positioned in the loss function, which balances the contribution and guiding role of data and knowledge, and point to some essential tendencies associated with the quality of data (noise level) and the level of granularity of the knowledge landmarks. Experiments on two physics-governed benchmarks demonstrate that the proposed KD model consistently outperforms data-driven ML models.
• Abstract（参考訳）: Informed Machine Learningは、知識とデータの統一されたベースでモデルを構築するための、統一された概念的でアルゴリズム的な設定を構築することによって、機械学習(ML)の実行可能な一般化として登場した。 物理インフォームドMLは、インフォームド・機械学習の発展の1つである。 本研究では,KD-MLと呼ばれる知識データMLの新たな方向性を提案する。 データは正確(数値)で局所的であり、通常は入力空間の特定の領域に限定されるが、知識はグローバルであり、より高度な抽象レベルで定式化されている。 知識は情報グラニュラーとして表現でき、知識ランドマークと呼ばれる入力出力情報グラニュラーの集合として整理される。 この顕著な相補性により、我々はKD-MLモデルの包括的設計プロセスを開発し、利用可能な数値データに基づいてモデルを最適化するコンポーネントを付加的に採用し、第2のコンポーネントはグラニュラー正規化器の役割を担い、粒度の制約(知識ランドマーク)に固執するように、元の拡張損失関数Lを定式化する。 データと知識の貢献と指導の役割のバランスをとる損失関数におけるハイパーパラメータの役割を示し、データの品質(ノイズレベル)と知識ランドマークの粒度レベルに関係したいくつかの本質的な傾向を示す。 2つの物理governedベンチマークの実験は、提案されたKDモデルがデータ駆動MLモデルより一貫して優れていることを示した。

関連論文リスト

• Domain Knowledge in Artificial Intelligence: Using Conceptual Modeling to Increase Machine Learning Accuracy and Explainability [0.0]
  本研究では、概念モデルに表されるドメイン知識を用いて、機械学習モデルのトレーニングに使用されるデータの準備を改善することを提案する。 我々は,機械学習におけるデータ準備のガイドラインからなる概念モデリング・フォー・機械学習(CMML)と呼ばれる手法を開発し,実証する。
  論文  参考訳（メタデータ） (2025-06-25T15:34:55Z)
• Towards scientific machine learning for granular material simulations -- challenges and opportunities [7.865643764194596]
  粒状物質は粒状系の挙動を支配している。 粒子スケールシミュレーションはこれらの相互作用に関する洞察を与えるが、計算コストはしばしば禁止される。 このポジションペーパーは、最近のLorentz Center Workshop on "Machine Learning for Discrete Granular Media"から生まれた。
  論文  参考訳（メタデータ） (2025-04-01T09:03:59Z)
• Leveraging Knowlegde Graphs for Interpretable Feature Generation [0.0]
  KRAFTは、知識グラフを利用して解釈可能な機能の生成をガイドするAutoFEフレームワークである。 我々のハイブリッドAIアプローチは、一連の変換を通じて生の機能を変換するためのニューラルジェネレータと、特徴の解釈可能性を評価するための知識ベースの推論器を組み合わせています。 生成装置は、生成した特徴の予測精度と解釈可能性を最大化するために、Deep Reinforcement Learning (DRL)を介して訓練される。
  論文  参考訳（メタデータ） (2024-06-01T19:51:29Z)
• Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
  我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。 データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• Machine Learning in Proton Exchange Membrane Water Electrolysis -- Part I: A Knowledge-Integrated Framework [36.74423086415903]
  本稿では,プロトン交換膜水電解法(PEMWE)の開発を進展させるために,知識統合機械学習という新しいフレームワークを採用することを提案する。 まず、データ取得条件、データ駆動モデル機構、ドメインの専門知識から生じる不確実性を特定し、異なる視点から情報を運ぶ際の相補的な特徴を明らかにする。 PEMWEの文脈では「知識統合機械学習のラダー」と呼ばれ、細胞劣化解析の文脈における3つのケーススタディに適用された階層的な3段階のフレームワークを実証する。
  論文  参考訳（メタデータ） (2024-01-24T04:41:03Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• Bounding Information Leakage in Machine Learning [26.64770573405079]
  本稿では,情報漏洩の基本的な境界について検討する。 最悪の会員推論攻撃の成功率を特定し、拘束します。 感度の高い属性とモデルパラメータの間の相互情報の境界を導出する。
  論文  参考訳（メタデータ） (2021-05-09T08:49:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。