基于信息衰減由時空數據挖掘驅動的預測Agent學習.pdf

1、人工智能(AI)是目前在計算機科學界最令人感興趣的研究領域之一,它既可以幫助研究者更好的理解人的大腦的決策過程,同時也可以增加組織對決策制定的參與過程。AI的核心是它包含很多智能計算體,簡稱為智能體,這些智能體以建立可以適應環(huán)境和能夠從經驗中學習的系統(tǒng)為目標。這個目標吸引了很多來自不同學科的研究人員,從而導致當今很多正在改變工業(yè)和科學領域的學習方法的產生。
　　 這些學習方法已被證明在很多的應用領域都有巨大的實用價值,尤其是在數

2、據挖掘領域,這是人工智能學習方法在從包含有用隱含規(guī)律性知識的大型數據庫中自動發(fā)現并提取有用知識的一個應用。這些方法,也被稱為機器學習方法,被認為是結構描述的產物,是從過去的數據中得到的一個模型。這個模型可以用作智能體的知識表示,具備預測、解釋及理解等功能。
　　 最具預測性的Agent學習方法是基于這樣一個假設的,即建設和驗證一個模型的相關歷史數據是對未來將要發(fā)生的事情的最佳估計。然而,從過去到未來的相關性取決于在特定時間內的應

3、用領域。這些靜態(tài)數據的處理是基于這些學習方法從人類的學習方法抽象成Agent的學習方法的這樣一個事實,但是它卻忽略了人類的遺忘因子,人類學習之后很可能會忘記學過的知識。因此,必須將遺忘因子整合到現有的Agent學習方法中以接近人類大腦的決策制定過程及提高Agent的學習性能。
　　 數據挖掘極大的促進了對時空數據的學習及對其他研究的信任,把數據挖掘整合到Agent系統(tǒng)中大大提高了預測Agent的學習技能,并協(xié)助Agent對未來因

4、子或未來事件的預測。我們致力于開發(fā)一種新的學習方法,它可以用在數據挖掘中以創(chuàng)建一種知識表示模型用于學習Agent并協(xié)助之象人類那樣預測未來。我們稱之為信息衰變的新技術,正是對人類遺忘因子的抽象。
　　 基于信息衰變的學習方法反映了人類是如何通過時間的衰變來預測未來的,以學習過程中積累的信息量來模擬人類遺忘的行為。從最近的數據(數據表示一個因子或一個事件)得到的信息比從較舊的數據(數據表示很久以前的一個因子或一個事件,比如十年之前

5、)得到的信息更有利于對未來的預測。
　　 為了揭示信息衰減學習方法的真相,而不僅是理解其背后的理論概念,我們使用數據挖掘試驗并提供實際的試驗結果。目前已經存在很多數據挖掘的分支領域,我們傾向于使用時空數據挖掘來處理從時空數據庫來提取知識,這是由其對信息衰減的計算時間所決定的。
　　 本文介紹了一個多Agent系統(tǒng)的體系結構,為了實現遺忘因子的抽象。此體系結構揭示了Agent技術和數據挖掘技術是怎樣整合到一個系統(tǒng)中的,作為

6、一個使用信息衰減從大型數據庫中發(fā)現知識以提高Agent的學習技能的視圖。
　　 為了給此假設提供充足的證據,使用ID3決策樹學習算法來實現信息衰減,利用從Oracle數據庫收集到的940個樣例數據集來進行測試。兩種預測學習Agent的知識表示模型為:一種情況忽略信息數據的衰減特性,另一種情況則考慮信息衰減情況。準確性,F1-測量和接受者操作特性曲線是衡量Agent學習性能的重要因素。這種概念的相關性是通過比較預測Agent在不同