Wybrane metody ekstrakcji wiedzy ze sztucznych sieci neuronowych

• Autorzy: Jerzy J. Korczak , Mieczysław E. Rymarczyk

Warianty tytułu

Selected Methods of Extracting Knowledge from Artificial Neutron Networks

• Języki publikacji: PL

Abstrakty

Głównym zadaniem metod ekstrakcji wiedzy z sieci neuronowej jest interpretacja i reprezentacja struktury sieci oraz jej charakterystyk w postaci zrozumiałej przez użytkownika. Autorzy zilustrowali działanie tej metody na podstawie dwóch algorytmów, które korzystają z sieci KBANN. Pierwszy, zwany SUBSET, grupujący wagi wejść do neuronu, drugi MofN opierający się na stwierdzeniu, że indywidualne warunki w regule nie mają wpływu na decyzje, w przeciwieństwie do ich podzbiorów.

EN

The major objective of extracting knowledge from neutron networks is to interpret and present the network strukture and its characteristics in a manner which is well understood by the user. The authors refer to two algorithms which are based on the KBANN network. The first one, called SUBSET, groups the weights of enteries into the neuron, the other one, MofN, is based on the statement that individual conditions in the rule no not affect the decision, unlike in the case of their sub-sets.

Słowa kluczowe

PL

Sztuczna inteligencja; Sieci neuronowe; Algorytmy; Wiedza

EN

Artificial intelligence; Neural networks; Algorithms; Knowledge

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 2002
• Numer: nr 945 Metody i zastosowania badań operacyjnych
• Strony: 75--83

Twórcy

autor

Jerzy J. Korczak

autor

Mieczysław E. Rymarczyk

Bibliografia

• Andrews R., Diederich J., Tickle A.: A Survey and Critique of Techniques for Extracting Rules from Trained Artificial Neural Networks. Rap. NRC, Queensland University of Technology, Brisbane, 1995. http://www.fit.qut.edu.au/NRC/ftpsite/QUTNRC-95-01-02.html
• Craven M.W., Shavlik J.W.: Rule Extraction : Where Do We Go from Here ?. Machine Learning Research Group, University of Wisconsin , Rap. 99-1, 1999, http://www.cs.wisc.edu/~shavlik/mlrg/publications.html
• Craven M.W., Shavlik J.W.: Extracting Tree-Structured Representations of Trained Networks, eds. Touretzky Moser M., Hasselmo M., Advances in Neural Information Processing Systems, Vol. 8, pp. 24-30, Denver, CO. MIT Press. 1996. http://www.cs.wisc.edu/~shavlik/mlrg/publications.html
• Diederich J.: Explanation and Artificial Neural Networks. Internat. Journ. of Man-Machine Studies, Vol. 37, 1992, pp. 335-357.
• Hertz J., Krogh A., Palmer R.: Wstęp do teorii obliczeń neuronowych, WNT, 1995.
• Osorio F.S.: INSS: un système hybride neuro-symbolique pour l'apprentissage automatique constructif. Praca doktorska, Institut National Polytechnique de Grenoble, 1998. http://www-leibniz.imag.fr/RESEAUX/osorio/these/tabmat.html
• Pop E., Hayward R., Diederich J.: RULENEG: Extracting Rules from Trained ANN by Stepwise Negation. Rap. NRC, Queensland University of Technology, 1994.
• Shavlik J.W., Opitz D.W.: Connectionist Theory Refinement : Genetically Searching the Space of Network Topologies. University of Wisconsin , Computer Sciences Département, 1997. http://www.cs.wisc-.edU/~shavlik/a...cts/opitz.jair97.ps.abstract.html.
• Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa, 1993.
• Thrun S., Extracting Provably Correct Rules from Artificial Neural Networks. University of Bonn , Germany, Dept. of Computer Sciences, http://www.informatik.uni-bonn.de/III/forschung/publicationen/
• Tickle A.B., Orłowski M., Diederich J.: DEDEC: Decision Detection by Rule Extraction from Neural Networks. Rap. NRC, Queensland University of Technology, 1994.
• Towell G., Shavlik J.: The Extraction of Refined Rules from Knowledge Based Neural Networks. Machine Learning, Vol. 131, 1993, pp. 71-101.