.png){kind=icon}
返回
Domain knowledge in artificial intelligence: Using conceptual modeling to increase machine learning accuracy and explainability
.png){kind=icon}
PRE
AI
DOI：10.1016/j.datak.2025.102482.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习能够从大型、多样化的数据集中提取有用信息。然而，尽管已有许多成功应用，机器学习在性能和透明度方面仍存在问题。这些挑战部分可归因于机器学习模型对领域知识的有限利用。本研究提出利用概念模型中体现的领域知识，以改进用于训练机器学习模型的数据准备工作。我们开发并验证了一种称为“面向机器学习的概念建模”（CMML）的方法，该方法包含基于概念建模构建和原则的机器学习数据准备指南。为评估CMML对机器学习结果的影响，我们首先将其应用于两个实际案例，以评估其对模型性能的影响。随后，我们征求了数据科学家对方法适用性的评估意见。这些结果表明，CMML在提升机器学习结果方面具有重要价值。
期刊
D
IF:
2.6
论文数:
116
被引数:
1.7K
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
Runtime Monitoring of Human-Centric Requirements in Machine Learning Components: A Model-Driven Engineering Approach面向机器学习组件以人为中心需求的运行时监控：一种模型驱动工程方法
OAAI
OAAI分享收藏
查看更多内容