Relevant Attributes in Formal Contexts
University of Kassel（卡塞尔大学）；Interdisciplinary Research Center for Information System Design（信息系统设计跨学科研究中心）
计算概念结构，如形式概念格，是在海量数据集的时代一个具有挑战性的任务。有各种方法来处理这个问题，例如，随机抽样、并行化或属性提取。在形式概念分析领域中，一种迄今为止尚未研究的方法是属性选择，如在机器学习中所做的那样。在此基础上，我们介绍了一种方法，在形式背景下的属性选择。为此，我们提出了相关属性的概念，使我们能够定义一个相对相关性函数，反映了概念格的顺序结构以及对象的分布在it.Finally，我们克服了计算的挑战，通过一个近似的方法，基于信息熵的相对相关性计算。
2018-12-20 cs.AI cs.IT cs.LG
Concept and Attribute Reduction Based on Rectangle Theory of Formal Concept
Anhui University of Technology（安徽工业大学）；Sun Yat-sen University（中山大学）
基于形式概念的矩形理论和集合覆盖理论，研究了保持二元关系的概念约简问题。形式概念有三种类型：核心概念、相对必要概念和非必要概念。首先，我们给出了相对必要概念和非必要概念的新的判定结果。其次，我们得到了相对必要概念的最大数目和不必要概念的最大数目的界，这是一个困难的问题，无论是在保持二元关系的概念约简或决策形式背景的属性约简，形式概念的形式背景的计算是一个具有挑战性的问题。第三，基于形式概念的矩形理论，利用扩展位数组技术，提出了一种保持形式概念扩展的属性约简快速算法，该算法允许用一个32位或64位的操作符处理多个上下文单元。从技术上讲，新算法可以将概念的形式上下文和外延存储为位数组，并且可以使用位操作来处理集合操作“或”以及“与”。该算法的另一个优点是不需要考虑概念格中的其他概念，因此算法易于理解，速度快。实验结果表明，该算法在属性约简计算中是有效的。
2021-10-29 cs.AI cs.CR
Attribute reduction algorithm of rough sets based on spatial optimization
针对传统粗糙集属性约简仅追求属性数量最少、忽略空间相似性导致规则多且通用性差的问题，提出基于空间优化的属性约简算法，通过最大化约简属性与决策属性的空间相似性获取更优规则，经多数据集对比实验验证效果显著。
2024-05-15 cs.AI
Attribute Exploration with Multiple Contradicting Partial Experts
University of Kassel（卡塞尔大学）；Interdisciplinary Research Center for Information System Design（信息系统设计跨学科研究中心）
属性探索是形式概念分析（FCA）的一种方法，它帮助领域专家发现知识领域中的结构依赖关系，这些依赖关系可以表示为形式上下文（对象和属性的交叉表）。在本文中，我们提出了一个扩展的属性探索，允许一组领域的专家，并探讨他们的共享意见。每个专家都有自己的观点，多个专家的观点可能包含相互矛盾的信息。
2022-05-31 cs.AI
Formal Concept Analysis with Many-sorted Attributes
Systematics Information Services, Inc.（系统信息服务公司）；University of Arkansas at Little Rock（阿肯色大学小石城分校）
本文结合了计算机科学中的两个问题解决传统：（1）基于约束的推理，（2）形式概念分析。对于约束网络的基本定义和性质，我们遵循Montanari和Rossi的基本方法。本文主张分布式关系作为一个更语义版本的网络约束。这里开发的理论使用了由Rudolf Wille及其同事开创的形式概念分析理论，作为解锁分布式关系中隐藏的语义结构的关键。相反，本文提供了分布式关系作为一个无缝的多种形式的概念分析的形式背景下的扩展。弗洛伊德和华莱士初步讨论了我们方法背后的一些直觉。
2018-10-12 cs.AI cs.LO
Developing controlled natural language for formal specification patterns using AI assistants
Institute of Automation and Electrometry（自动化与电测研究所）
本文提出利用AI助手开发受控自然语言的方法，通过三个阶段构建基于形式规范模式的自然语言需求，用于事件驱动的时间要求分析。
2025-12-30 cs.AI cs.FL cs.SE
Verifiable Knowledge Expansion through Retrieval-Grounded Formal Concept Analysis
Hanyang University（汉阳大学）
提出一种检索增强的小语言模型框架，利用形式概念分析作为符号验证循环，通过种子属性和检索验证实现知识扩展，在罕见共济失调数据集上评估了关系F1和蕴含F1。
2026-07-03 cs.AI
Enhancing Actionable Formal Concept Identification with Base-Equivalent Conceptual-Relevance
University of Quebec in Outaouais（魁北克大学乌塔韦分校）
本文提出基等价概念相关性（BECR）分数，通过量化概念内涵中的基属性、等价属性和最小生成器来识别可操作形式概念，实验证明其优于稳定性指数。
2023-12-22 cs.AI
Attribute Selection using Contranominal Scales
University of Kassel（卡塞尔大学）
形式概念分析（FCA）允许通过导出概念并将其排序在格中来分析二进制数据。FCA的主要目标之一是使人类能够理解数据中封装的信息;然而，概念格的大尺寸是理解底层结构属性的可行性的一个限制因素。这种格的大小取决于在对应的形式背景下同构于高维的同名标度的子背景的数量。在这项工作中，我们提出了算法Contradition，使一个给定的正式背景下的所有contranominal规模的计算。利用该算法，我们引入了增量调整，一种新的方法，以减少在正式的上下文中的contranominal规模的数量，通过选择一个适当的属性子集。我们证明了delta调整上下文减少了由此出现的子半格的大小，并且蕴涵集仅限于有意义的蕴涵。这是评价相对于其相关的知识，通过一个分类任务。因此，我们提出的技术大大提高了可理解性，同时保留了重要的概念结构。
2021-07-01 cs.AI cs.LG
Parameterizing the semantics of fuzzy attribute implications by systems of isotone Galois connections
Palacky University（帕拉茨基大学）
研究了由保序伽罗瓦联络系统参数化的模糊属性蕴涵的模糊“若-则”规则的语义。该规则表达了对象-属性关联数据中模糊属性之间的依赖关系。建议的参数化是一般的，包括作为特殊情况下的参数化语言模糊限制语在早期的方法。我们形式化的一般参数化，提出二价和分级的概念的语义蕴涵的模糊属性的影响，最少的模型和完整的公理化，并提供其特征的基础上的模糊属性的影响来自数据。
2014-10-25 cs.AI
Learning-To-Measure: In-Context Active Feature Acquisition
University of Tokyo（东京大学）
提出 Learning-to-Measure (L2M) 方法，通过不确定性量化与条件互信息引导的贪婪特征获取，在上下文学习中解决元主动特征获取问题，无需针对每个任务重新训练。
2026-05-31 cs.AI cs.LG
Triadic Exploration and Exploration with Multiple Experts
University of Kassel（卡塞尔大学）；Interdisciplinary Research Center for Information System Design（信息系统设计跨学科研究中心）
形式概念分析（FCA）提供了一种称为属性探索的方法，它可以帮助领域专家发现可以由形式上下文（对象和属性的交叉表）表示的知识域中的结构依赖关系。三元概念分析是FCA的扩展，它包含了条件的概念。属性探索的许多扩展和变体已被研究，但只有少数尝试将多个专家。本文提出了基于三元概念分析的三元探索方法来探索三元域中的条件属性蕴涵。然后，我们采用这种方法来制定属性探索与多个专家，有不同的看法，在一个领域。
2021-02-04 cs.AI cs.HC
The Evolution of Concept-Acquisition based on Developmental Psychology
Fudan University（复旦大学）
具有丰富内涵的概念体系是提高基于知识的人工智能系统性能的关键。概念系统具有丰富的概念和语义关系，具有可发展性、可演化性和多任务适应性，其实际构建是知识工程的主要挑战之一，也是知识和概念化研究的基本目标。因此，找到一种新的方法来表示概念和构造概念系统将大大提高许多智能系统的性能。所幸的是，人类认识的核心是一个具有相对完整概念的系统，以及一个保证系统建立和发展的机制。人类的概念体系不可能立即实现，而必须逐步发展。发展心理学在行为层面上仔细观察了人类概念获得的过程，并与认知心理学一起对这些观察提出了一些粗略的解释。然而，由于在表征、系统模型、算法细节和实现等方面的研究不足，发展心理学的许多成果还没有直接应用于人工概念系统的构建。例如，Karmiloff-Smith的表征再描述（RR）假设反映了一个概念获得的过程，重新描述一个概念的较低级别的表示到一个更高的。本文正是受这一发展心理学观点的启发。由于OO范式是描述外部世界的自然方式，并且具有严格的语法规则，我们采用面向对象的方法从形式语义的角度对RR假设进行了重新解释和具体化。
2020-11-26 cs.AI
Gradual Classical Logic for Attributed Objects - Extended in Re-Presentation
我们对事物的理解是概念性的。通过陈述我们对对象进行推理，事实上我们操纵的不是对象，而是涉及它们的概念。现在，只要我们承认一个对象所从属的无限延伸的概念，如空间、时间、大小、颜色等，简言之，任何合理的性质，就不可能在涉及对象的概念中肯定原子性。然而，形式/符号逻辑通常假定其他表达式建立在其上的原子实体。我们能把我们对概念的直觉反映到形式/符号逻辑上吗？我保证我们可以，但是关于原子性的通常观点需要检查。在这项工作中，我提出了渐进的逻辑，具体化的观察，我们不能区分是否被视为原子实体是原子或只是原子足以不被认为是非原子。其动机是捕捉自然发生在具有属性的概念周围的某些现象，包括预设和反义词。我提出的逻辑细节的逻辑，然后映射到形式语义。两个语言学上有趣的语义将被考虑。可决定性已经显现。
2015-04-19 cs.AI cs.CL cs.LO
Three-way causal attribute partial order structure analysis
Yanshan University（燕山大学）；Hebei Key Laboratory of Information Transmission and Signal Processing（河北省信息传输与信号处理重点实验室）
偏序形式结构分析（POFSA）作为一种新兴的认知学习模型，在知识处理领域得到了广泛的应用。为了提高模型的可解释性和分类性能，本文提出了三向因果属性偏序结构（3 WCAPOS）方法，将POFSA从集合覆盖演化为因果覆盖。首先，因果因子（CF）的概念被提出来评估之间的因果关系的属性和决策属性的正式决策背景。然后，将CF与属性偏序结构相结合，定义了因果属性偏序结构的概念，使集合覆盖演化为因果覆盖。最后，结合三方决策的思想，形成了3 WCAPOS，使结构中节点的纯净度更清晰，层次之间的变化更明显。此外，通过六个数据集，从分类能力和结构的可解释性进行了实验。实验结果表明，3 WCAPOS的分类准确率比分类回归树提高了1%~ 9%，比属性偏序结构更具有可解释性，知识的处理更合理。
2023-03-29 cs.AI cs.LG stat.ME
Interactive Collaborative Exploration using Incomplete Contexts
University of Kassel（卡塞尔大学）；Research Center for Information System Design（信息系统设计研究中心）
属性探索是形式概念分析领域中一种著名的知识获取方法。它用于在领域专家的帮助下揭示一组属性中的依赖关系。在大多数应用中，没有一个专家能够（时间和知识方面）单独探索知识领域。然而，到目前为止，还没有理论模型的多个专家的属性探索任务的不完全知识的互动。为此，我们开发了一个理论框架，允许多个专家一起探索领域。我们使用不完整知识的表示作为三值上下文。然后，我们适应相应版本的属性探索，以适应多个专家的设置。我们建议形式化的关键组成部分，如专家知识，互动和协作策略。特别是，我们定义了一个顺序，允许比较不同的探索策略的结果在同一个任务方面的信息完整性。此外，我们还讨论了比较合作策略的其他方法，并为未来的研究提出了建议。
2020-01-31 cs.AI cs.HC cs.LG
Attribute Exploration of Discrete Temporal Transitions
离散时间转换发生在各种领域，但这项工作主要是出于分子生物学的应用：解释和分析观察到的转录组和蛋白质组时间序列的文献和数据库知识。提出了形式概念分析模型的出发点。形式背景的对象是感兴趣的实体的状态，属性是定义当前状态的变量属性（例如，观察到的蛋白质的存在或不存在）。时态转换为对象分配一个关系，由前置条件和后置条件之间的确定性或非确定性转换规则定义。这种关系可以推广到它的传递闭包，即如果一个状态通过任意长度的过渡序列从另一个状态产生，则状态是相关的。工作的重点是适应这样一个关系的上下文中的属性探索算法，使有关时间的依赖关系的问题，可以在探索过程中，并回答从计算干基地。结果给出了一个游戏和一个小的基因调控网络相关的生物医学问题的抽象的例子。
2007-09-18 cs.AI q-bio.MN q-bio.QM
Non-monotonic Extensions to Formal Concept Analysis via Object Preferences
University of Cape Town（开普敦大学）；CAIR, South Africa（南非计算与推理研究所）；Technische Universität Dresden（德累斯顿工业大学）；Center for Scalable Data Analytics and Artificial Intelligence Dresden/Leipzig（德累斯顿/莱比锡可扩展数据分析与人工智能中心）
本文针对形式概念分析（FCA）原有蕴含的单调性局限，引入基于对象偏好的非单调条件句，证明其符合KLM非单调性公设，提出典型概念并证明其构成原概念格的交半格，为FCA的非单调扩展及原型概念格构建奠定基础。
2024-10-05 cs.AI cs.LO
Formal Concept Analysis: a Structural Framework for Variability Extraction and Analysis
McGill University（麦吉尔大学）
本文介绍了FCA框架在变异性提取与分析中的应用，整理了其关键属性以解释概念结构中的变异性信息，弥合数学基础与实际应用之间的差距。
2025-08-08 cs.AI cs.IR cs.SE
Formal Concept Analysis and Resolution in Algebraic Domains
我们涉及两个以前独立的领域：形式概念分析和逻辑领域。我们将建立一个上下文属性逻辑之间的对应关系的形式背景。概念格和一个子句逻辑上的连贯代数CPOS。我们展示了如何识别域理论设置中的形式概念的概念。特别是，我们表明，从域逻辑的决议规则的一个特殊的例子与概念闭包算子从形式概念分析。结果揭示了使用上下文和域的知识表示和推理的目的。
2003-05-01 cs.AI cs.LO
On Interpretability and Similarity in Concept-Based Machine Learning
Bern University of Applied Sciences（伯尔尼应用科学大学）；National Research University Higher School of Economics（国立研究型大学高等经济学院）；St. Petersburg Department of Steklov Mathematical Institute of Russian Academy of Sciences（俄罗斯科学院斯捷克洛夫数学研究所圣彼得堡分所）
机器学习（ML）为分类和预测提供了重要的技术。其中大多数是用户的黑箱模型，不向决策者提供解释。为了决策的透明度或更有效性，开发可解释/可解释的ML方法的必要性越来越重要。需要解决的一些问题：ML过程如何为特定实体派生类？为什么一个特定的聚类会出现在一个特定的无监督ML过程中？如果属性的数量非常大，我们该怎么办？具体案例和模型出现错误的可能原因是什么？对于二元属性，形式概念分析（FCA）提供了形式概念意图方面的技术，从而为模型预测提供了合理的理由。然而，从可解释的机器学习的角度来看，我们仍然需要为决策者提供各个属性对特定对象分类的重要性，这可能有助于医学或金融等各个领域的专家解释高成本错误。我们讨论了如何从合作博弈论的概念可以用来评估个人属性的贡献，在基于概念的机器学习的分类和聚类过程。为了解决第三个问题，我们提出了一些关于如何在大上下文中使用相似性来减少属性数量的想法。
2021-02-25 cs.AI cs.DM cs.LG
Introduction to Formal Concept Analysis and Its Applications in Information Retrieval and Related Fields
National Research University Higher School of Economics（国家研究型大学高等经济学院）
本文是一篇关于形式概念分析及其应用的教程。FCA是格论的一个应用分支，格论是一门数学学科，它使概念形式化为人类思维的基本单位，并以对象-属性的形式分析数据。它起源于80年代初，在过去的三十年里，它成为一个流行的以人为中心的知识表示和数据分析的工具，有许多应用。由于本教程是专门为RuSSIR 2014准备的，涵盖的FCA主题包括信息检索，重点关注可视化方面，机器学习，数据采掘和知识发现，文本挖掘等。
2017-03-08 cs.AI cs.CL cs.DM
