Sie sind auf Seite 1von 23

Maschinelles Lernen

Andre Gass Graph Based Induction


as a Unified Learning Framework
Nach KENICHI YOSHIDA, HIROSHI MOTODA Und NITIN INDURKHYA

14.11.08

Seminar Maschinelles Lernen

Ablauf

Einfhrung Begriffe Graphen Umwandlung in Graphen CLiP Ergebnisse Fazit


Seminar Maschinelles Lernen 2

14.11.08

Einfhrung

Die Idee hinter GBI


Umformen von Problemen in Graphen Allgemeine Betrachtung des Graphen Modifikation des Graphen Probleme knnen allgemein betrachtet werden

Vorteile dabei

Keine spezielle Lsung mehr fr verschiedene Lernprobleme Ein Algorithmus fr mglichst viele Aufgaben
Seminar Maschinelles Lernen 3

14.11.08

Begriffe

Gefrbter, gerichteter Graph

Graph (Knoten, Kanten)

Knoten sind gefrbt, eventuell mit mehreren Farben

Muster

Hufig auftretende Teilgraphen Mengen von Mustern

Views

14.11.08

Seminar Maschinelles Lernen

CliP - Funktionsweise

Es werden Muster im Graph gesucht

Muster sind Teilgraphen, die hufig auftreten

Aus diesen Mustern werden Views generiert Views


werden erweitert Es gibt nur eine begrenzte Anzahl

14.11.08

Seminar Maschinelles Lernen

Finden von Teilgraphen


Es wird nur nach identischen Mustern gesucht Isomorphe Teilgraphen werden nicht betrachtet

Spart Zeit und ist, nach den Autoren, ausreichend Alle isomorphen Teilgraphen zu finden ist NP vollstndig

14.11.08

Seminar Maschinelles Lernen

Graphen

Der Graph wird, unter Verwendung der Views verkleinert


Pattern werden zu Knoten zusammengefasst Neue Knoten bekommen neue Farbe Bzw. Die enthaltenen Pattern

Ergebnis sind die Views

Diese mssen interpretiert werden

14.11.08

Seminar Maschinelles Lernen

Finden von Teilgraphen

14.11.08

Seminar Maschinelles Lernen

Umwandlung in Graphen

Klassifizierung von DNS-Sequenzen Makros um das Lsen von Gleichungen zu beschleunigen Finden von hheren Elementen in elektrischen Schaltungen

14.11.08

Seminar Maschinelles Lernen

Graphen

Klassifizierung von DNS-Sequenzen

In Promotor und nicht-Promotor

14.11.08

Seminar Maschinelles Lernen

10

Graphen

Makros

Es wird nach neuen Regeln gesucht

Die mehrere alte Regeln zusammenfassen

Zu einer schnelleren Abarbeitung der Probleme z.B. In Prolog fhren


Seminar Maschinelles Lernen 11

14.11.08

Graphen

Elektrische Schaltungen

Hierarchisches Modell Konzepte auf hheren Ebenen sollen gefunden werden Es soll problemlos mglich sein, auf die detailreichen Plne der unteren Ebenen zurckzugreifen

14.11.08

Seminar Maschinelles Lernen

12

CLiP

Konstruktion von sog. Views


Bestehen aus Pattern, die hufig gefunden wurden Bilden das Ergebnis des Algorithmus Werden gesucht um die Views zu bilden Und den Graphen zu verkleinern Ergeben einen neuen Knoten im Graph

Pattern

Der eine neue Farbe bekommt

14.11.08

Seminar Maschinelles Lernen

13

CLiP

Im nchsten Schritt werden die Pattern modifiziert/erweitert

Wieder wird gesucht, wie oft die Pattern vorkommen ....

Es ist wichtig, dabei eine sinnvolle Gewichtung zu verwenden

blicherweise wird dabei die Anzahl der Knoten gegen die Anzahl der neuen Farben abgewogen

Jedes Pattern muss mindestens zweimal vorkommen


Seminar Maschinelles Lernen 14

14.11.08

CLiP

Es gibt nur eine bestimmte Anzahl von Views

Die besten werden verwendet, der Rest verworfen

Views enthalten immer auch die vorherigen Pattern

Diese werden nur durch die Neuen ergnzt

14.11.08

Seminar Maschinelles Lernen

15

Pattern Modification

14.11.08

Seminar Maschinelles Lernen

16

CliP

14.11.08

Seminar Maschinelles Lernen

17

CliP

14.11.08

Seminar Maschinelles Lernen

18

Ergebnisse - Klassifizierung

Finden von Promotoren in DNA-Sequenzen 106 DNS-Sequenzen

Bestehend aus jeweils 57 Nukleotiden

Die Hlfte davon Promotoren

14.11.08

Seminar Maschinelles Lernen

19

Ergebnisse - Makros

Lsen von Gleichungen erster Ordnung Vorher 100 Sekunden Nachher 88 Sekunden CPU-Zeit

14.11.08

Seminar Maschinelles Lernen

20

Ergebnisse - Schaltungen

Simulation einer NMOS-Schaltung Nach einer Anpassung der Gewichtung:

14.11.08

Seminar Maschinelles Lernen

21

Fazit

GBI vereinfacht bestimmte Probleme erheblich Erzeugt in kurzer Zeit sinnvolle Ergebnisse Hat das Potential deutlich optimiert zu werden

Isomorphe Teilgraphen

14.11.08

Seminar Maschinelles Lernen

22

Quellen

Kenichi Yoshida, Hiroshi Motoda, Nitin Indurkhya: Graph-based induction as a unified learning framework. Applied Intelligence 4(3): 297-316 (1994)

14.11.08

Seminar Maschinelles Lernen

23