Extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden

Mostrar todas las versiones(2)

La necesidad de integración neural-simbólica se hace evidente a medida que se abordan problemas más complejos, y que van más allá de tareas de dominio limitadas como lo es la clasificación. Los métodos de búsqueda para la extracción de reglas de las redes neuronales funcionan enviando combinaciones...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Negro, Pablo, Pons, Claudia
Formato: Articulo
Lenguaje:Español
Publicado: 2024
Materias:
Ciencias Informáticas
Aprendizaje Profundo
Extracción de reglas
Inteligencia Artificial
Lógica
Deep Learning
Rules Extraction
Artificial Intelligence
Logic
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/167050
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-167050
record_format dspace
spelling I19-R120-10915-1670502024-08-19T17:09:52Z http://sedici.unlp.edu.ar/handle/10915/167050 Extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden Extracting rules from trained feedforward neural networks with first order logic Negro, Pablo Pons, Claudia 2024-04-19 2024-06-11T13:55:42Z es Ciencias Informáticas Aprendizaje Profundo Extracción de reglas Inteligencia Artificial Lógica Deep Learning Rules Extraction Artificial Intelligence Logic La necesidad de integración neural-simbólica se hace evidente a medida que se abordan problemas más complejos, y que van más allá de tareas de dominio limitadas como lo es la clasificación. Los métodos de búsqueda para la extracción de reglas de las redes neuronales funcionan enviando combinaciones de datos de entrada que activan un conjunto de neuronas. Ordenando adecuadamente los pesos de entrada de una neurona, es posible acotar el espacio de búsqueda. Con base en esta observación, este trabajo tiene por objetivo presentar un método para extraer el patrón de reglas aprendido por una red neuronal entrenada feedforward, analizar sus propiedades y explicar estos patrones a través del uso de lógica de primer orden (FOL). The need for neural-symbolic integration becomes evident as more complex problems are addressed, and they go beyond limited domain tasks such as classification. Search methods for extracting rules from neural networks work by sending input data combinations that activate a set of neurons. By properly ordering the input weights of a neuron, it is possible to narrow down the search space. Based on this observation, this work aims to present a method for extracting the pattern of rules learned by a trained feedforward neural network, analyzing its properties, and explaining these patterns through the use of first-orderlogic (FOL). Sociedad Argentina de Informática e Investigación Operativa Articulo Articulo http://creativecommons.org/licenses/by-nc/4.0/ Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) application/pdf 58-80
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Aprendizaje Profundo
Extracción de reglas
Inteligencia Artificial
Lógica
Deep Learning
Rules Extraction
Artificial Intelligence
Logic
spellingShingle Ciencias Informáticas
Aprendizaje Profundo
Extracción de reglas
Inteligencia Artificial
Lógica
Deep Learning
Rules Extraction
Artificial Intelligence
Logic
Negro, Pablo
Pons, Claudia
Extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden
topic_facet Ciencias Informáticas
Aprendizaje Profundo
Extracción de reglas
Inteligencia Artificial
Lógica
Deep Learning
Rules Extraction
Artificial Intelligence
Logic
description La necesidad de integración neural-simbólica se hace evidente a medida que se abordan problemas más complejos, y que van más allá de tareas de dominio limitadas como lo es la clasificación. Los métodos de búsqueda para la extracción de reglas de las redes neuronales funcionan enviando combinaciones de datos de entrada que activan un conjunto de neuronas. Ordenando adecuadamente los pesos de entrada de una neurona, es posible acotar el espacio de búsqueda. Con base en esta observación, este trabajo tiene por objetivo presentar un método para extraer el patrón de reglas aprendido por una red neuronal entrenada feedforward, analizar sus propiedades y explicar estos patrones a través del uso de lógica de primer orden (FOL).
format Articulo
Articulo
author Negro, Pablo
Pons, Claudia
author_facet Negro, Pablo
Pons, Claudia
author_sort Negro, Pablo
title Extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden
title_short Extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden
title_full Extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden
title_fullStr Extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden
title_full_unstemmed Extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden
title_sort extracción de reglas de redes neuronales feedforward entrenadas con lógica de primer orden
publishDate 2024
url http://sedici.unlp.edu.ar/handle/10915/167050
work_keys_str_mv AT negropablo extracciondereglasderedesneuronalesfeedforwardentrenadasconlogicadeprimerorden
AT ponsclaudia extracciondereglasderedesneuronalesfeedforwardentrenadasconlogicadeprimerorden
AT negropablo extractingrulesfromtrainedfeedforwardneuralnetworkswithfirstorderlogic
AT ponsclaudia extractingrulesfromtrainedfeedforwardneuralnetworkswithfirstorderlogic
_version_ 1809234682455261184

Ejemplares similares