【报告内容】

汇报人： 杨建非

汇报单位：福建理工大学

主题：Collaborative Ontology Matching with Dual Population Genetic Programming and Active Meta-Learning

1、Introduction

2、Method

3、Experiments

4、Conclusion

【报告总结】

1.待解决的问题描述

本研究致力于解决复杂本体匹配任务中的两大核心挑战：匹配结果的低质量与人工验证的高成本。具体而言，传统匹配方法在面对大规模、异构本体时，容易产生逻辑不一致的映射且难以平衡查全率与查准率；同时，依赖专家进行全量验证成本极高，而在专家本身也存在较高错误率的情况下，如何高效、可靠地利用其反馈成为一个关键难题。

2.相关创新方案

为解决上述问题，本研究提出了一套深度融合演化计算与主动学习的创新方案。其核心由两大模块构成：首先，设计了双种群遗传编程算法，通过让“较好种群”和“较差种群”分别执行确定性交叉和随机变异，并引入动态角色交换与多样性增强机制，实现了对解空间的探索与利用的卓越平衡，以演化出高质量的本体匹配规则。其次，提出了基于加权随机森林的元学习投票聚合模块，该模块能够动态评估不同专家在不同类型样本上的可靠性，并为其分配合适的权重进行智能投票融合，从而在专家错误率较高的情况下仍能产出可靠的标注结果，为演化过程提供高质量的反馈。

3.实验总结

在Conference和Anatomy等标准数据集上的实验结果表明，本方案在准确性和鲁棒性上均显著优于XMap、AML、LogMap等主流基线方法。尤其是在引入不同等级的专家错误率后，本方案（DPGP-AML）的性能下降最为平缓，展现了其卓越的容错能力和稳定性。此外，消融实验证实了双种群机制与主动学习组件均为系统性能提升的关键；效率分析则表明，该方案在取得最高质量匹配结果的同时，还维持了可观的计算效率。

4.未来工作

展望未来，本研究可在以下几个方向进行深化：首先，探索更高效的专家模拟与成本控制策略，以进一步降低对昂贵领域专家的依赖。其次，将当前框架扩展至更复杂的匹配场景，如多本体对齐或动态演化本体的匹配。此外，如何将更深层次的领域知识（如本体逻辑约束）更紧密地集成到演化过程中，也是一个有价值的研究方向。最后，优化元学习模型，使其在面对全新领域时能具备更强的泛化能力和快速自适应能力。

报告时间：2025年10月17日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)