Разработка алгоритма на основе логических операций для обнаружения закономерностей в неполных данных

Л. А. Лютикова

---

Аннотация. В данной работе представлен метод локальной интерпретации решений обученной нейронной сети функциями многозначной логики предикатов. Локальная интерпретация нейронной сети относится к процессу объяснения решений, принимаемых моделью на конкретном примере или в окрестности конкретного входа. В основе предлагаемого подхода лежит множество функций многозначной логики, которые представляют собой обобщенные операции, отвечающие определенным требованиям. Комбинируя эти функции, можно обнаружить внутренние закономерности в данных и даже корректировать результаты, полученные с помощью нейронных сетей. Предложенный метод был исследован в контексте задач классификации с использованием многомерных дискретных признаков. В таких случаях каждый признак может принимать одно из k возможных значений и иметь равную важность для идентификации класса. Этот подход открывает новые возможности для понимания и объяснения правил, лежащих в основе данных, которые не всегда очевидны при использовании обычных нейронных сетей.

Ключевые слова: интерпретация, многозначная логика, нейронная сеть, обобщенное сложение, данные

Для цитирования. Лютикова Л. А. Разработка алгоритма на основе логических операций для обнаружения закономерностей в неполных данных // Известия Кабардино-Балкарского научного центра РАН. № 6(116). С. 109–115. DOI: 10.35330/1991-6639-2023-6-116-109-115

Информация об авторе

Лютикова Лариса Адольфовна, канд. физ.-мат. наук, зав. отделом нейроинформатики и машинного обучения, Институт прикладной математики и автоматизации – филиал Кабардино-Балкарского научного центра Российской академии наук;
360000, Россия, г. Нальчик, ул. Шортанова, 89 А;
lylarisa@yandex, ORCID: https://orcid.org/0000-0003-4941-7854

Список литературы

1. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. 1978. Т. 33. С. 5–68. Zhuravlev Yu.I. On the algebraic approach to solving problems of recognition or classification.
2. Шибзухов З. М. Корректные алгоритмы агрегирования операций // Распознавание образов и анализ изображений. 2014. № 3–24. C. 377–382.
3. Naimi A.I., Balzer L.B. Multilevel generalization: an introduction to super learning. European Journal of Epidemiology. 2018. Vol. 33. Pp. 459–464.
4. Wang H., Smith S. Big data analysis and perturbation using a data mining algorithm. Journal of Soft Computing Paradigm. 2021. No. 3–01. Pp. 19–28.
5. Joe MrK Vijesh, Jennifer S. Raj User Recommendation System Dependent on LocationBased Orientation Context. Journal of Trends in Computer Science and Smart Technology. 2021. No. 3–01. Pp. 14–23.
6. Grabisch M., Marichal J-L., Pap E. Aggregation functions. Cambridge University Press. Vol. 127. P. 16.
7. Calvo T., Belyakov G. Aggregating functions based on penalties. Fuzzy sets and systems. No. 10–161. Pp. 1420–1436.
8. Mesiar R., Komornikova M., Kolesarova A., Calvo T. Fuzzy aggregation functions: a revision. Sets and their extensions: representation, aggregation and models. Springer-Verlag. Berlin, 2008.
9. Yang F., Yang Zh., Cohen W.W. Differentiable learning of logical rules for reasoning in the knowledge base. Advances in the field of neural information processing systems. 2017. Pp. 2320–2329.
10. Флах П. Машинное обучение: наука и искусство построения алгоритмов, которые извлекают знания из данных. Москва: ДМК Пресс, 2015. 400 с.
11. Lyutikova L.A., Shmatova E.V. Algorithm for constructing logical operations to identify patterns in data. E3S Web of Conferences, Moscow, November 25–27, 2020. Vol. 224. P. 01009.