Incorporaciones de cajas para extender las ontologías: un enfoque basado en datos e interpretable

Área de la Ciencia:

• Inteligencia artificial
• Informática química y sus aplicaciones
• La bioinformática

Sus antecedentes:

• Los modelos de aprendizaje profundo carecen de transparencia, lo que dificulta la extracción de conocimiento simbólico.
• La IA interpretable es crucial para comprender las salidas de modelos complejos.
• Las tareas de clasificación de etiquetas múltiples a menudo implican estructuras de etiquetas jerárquicas inherentes.

Objetivo del estudio:

• Desarrollar un método para obtener conocimiento simbólico de modelos de aprendizaje profundo.
• Hacer cumplir una estructura taxonómica en las salidas del modelo para una mayor interpretabilidad.
• Representar las relaciones lógicas implícitas en conjuntos de datos de etiquetas múltiples utilizando incrustaciones geométricas.

Principales métodos:

• Utilizó incrustaciones en forma de caja de clases de ontología en el espacio vectorial.
• Impuso una estructura taxonómica en las salidas del modelo durante la formación.
• Evaluación del rendimiento del modelo mediante la aproximación de las relaciones de subclase en la ontología ChEBI.

Principales resultados:

• El modelo captura con éxito las relaciones jerárquicas implícitas entre las etiquetas.
• Aseguró la coherencia con la conceptualización ontológica subyacente.
• Se ha logrado un rendimiento de vanguardia en tareas de clasificación de etiquetas múltiples.

Conclusiones:

• El enfoque propuesto permite obtener resultados interpretables en la clasificación química.
• La representación geométrica de las moléculas y las clases facilita la comprensión de las relaciones lógicas.
• Las jerarquías implícitas se aprenden sin una taxonomía explícita durante el entrenamiento.