Jump to content

Логическая обучающая машина

Логическая обучающая машина ( LLM ) — метод машинного обучения, основанный на генерации понятных правил. LLM — это эффективная реализация парадигмы коммутируемой нейронной сети (SNN), [1] Разработан Марко Муселли, старшим научным сотрудником Итальянского национального исследовательского совета CNR-IEIIT в Генуе .

LLM используется во многих различных секторах, включая область медицины (классификация ортопедических пациентов, [2] Микроматричный анализ ДНК [3] и системы поддержки клинических решений [4] ), финансовые услуги и управление цепочками поставок.

Подход с коммутируемой нейронной сетью был разработан в 1990-х годах для преодоления недостатков наиболее часто используемых методов машинного обучения. В частности, методы «черного ящика», такие как многослойный перцептрон и машина опорных векторов , обладали хорошей точностью, но не могли обеспечить глубокого понимания изучаемого явления. С другой стороны, деревья решений могли описать это явление, но зачастую им не хватало точности. Коммутационные нейронные сети использовали булевую алгебру для создания наборов понятных правил, способных обеспечить очень хорошую производительность. В 2014 году была разработана и реализована эффективная версия коммутируемой нейронной сети в пакете Rulex под названием Logic Learning Machine. [5] Также была разработана версия LLM, посвященная проблемам регрессии.

Как и другие методы машинного обучения, LLM использует данные для построения модели, способной дать хороший прогноз будущего поведения. LLM начинается с таблицы, включающей целевую переменную (выходную) и некоторые входные данные, и генерирует набор правил, которые возвращают выходное значение. соответствующий заданной конфигурации входов. Правило записывается в виде:

где следствие содержит выходное значение, тогда как предпосылка включает одно или несколько условий на входах. В зависимости от типа ввода условия могут иметь различную форму:

Таким образом, возможное правило имеет вид

В зависимости от типа вывода были разработаны различные версии Логической обучающей машины:

  1. ^ Муселли, Марко (2006). «Переключение нейронных сетей: новая коннекционистская модель классификации» (PDF) . WIRN 2005 и NAIS 2005, Конспекты лекций по информатике . 3931 : 23–30.
  2. ^ Морденти, М.; Феррари, Э.; Педрини, Э.; Фаббри, Н.; Кампаначчи, Л.; Муселли, М.; Санджорджи, Л. (2013). «Подтверждение новой классификации множественных остеохондром посредством переключения нейронных сетей». Американский журнал медицинской генетики, часть A. 161 (3): 556–560. дои : 10.1002/ajmg.a.35819 . ПМИД   23401177 . S2CID   23983960 .
  3. ^ Кангелози, Д.; Муселли, М.; Бленджио, Ф.; Бечерини, П.; Верстег, Р.; Конте, М.; Варесио, Л. (2013). «Использование машины дополнительной дискретизации и логического обучения, управляемой атрибутами, для создания прогностического классификатора для пациентов с нейробластомой» . Битс2013 . 15 (Дополнение 5): S4. дои : 10.1186/1471-2105-15-S5-S4 . ПМК   4095004 . ПМИД   25078098 .
  4. ^ Пароди, С.; Филиберти, Р.; Маррони, П.; Монтани, Э.; Муселли, М. (2014). «Дифференциальная диагностика мезотелиомы плевры с использованием логической обучающей машины» . Битс2014 . 16 (Приложение 9): S3. дои : 10.1186/1471-2105-16-S9-S3 . ПМК   4464205 . ПМИД   26051106 .
  5. ^ «Рулекс: программа для извлечения знаний из данных» . Итальянский национальный исследовательский совет . Проверено 7 марта 2015 г.
[ редактировать ]
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 9ae84b95eabf3fd77629cc52373d1eb1__1718372880
URL1:https://arc.ask3.ru/arc/aa/9a/b1/9ae84b95eabf3fd77629cc52373d1eb1.html
Заголовок, (Title) документа по адресу, URL1:
Logic learning machine - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)