Mecanismos explicativos para RNAs como extraÃÃo de conhecimento

AUTOR(ES)
DATA DE PUBLICAÇÃO

2005

RESUMO

As Redes Neurais Artificiais (RNAs), um dos principais modelos de computaÃÃo em InteligÃncia Artificial (IA), vÃm sendo largamente utilizadas nas diversas abordagens de previsÃo do comportamento dos dados, por exemplo, em processamento de sinais, reconhecimento de padrÃes, aproximaÃÃo de funÃÃo e tambÃm previsÃo de sÃries temporais. Isto porque as RNAs englobam muitas caracterÃsticas desejÃveis como boa capacidade de generalizaÃÃo, nÃo linearidade, multivariÃveis, nÃo paramÃtricas, dentro de um esquema de implementaÃÃo relativamente eficiente em termos de velocidade e exigÃncia de memÃria computacional. Apesar do grande uso de RNAs para resolver vÃrios tipos de problemas apresentando bom desempenho, o usuÃrio geralmente quer entender como e porque a rede obteve uma dada saÃda em relaÃÃo à entrada que lhe foi apresentada. Ou seja, a incapacidade de explicar como e porque a rede gera suas respostas à uma das principais crÃticas Ãs RNAs, principalmente quando aplicadas em sistemas onde a seguranÃa na operaÃÃo seja um aspecto importante, tais como problemas de controle de usinas nucleares, controle do sistema de navegaÃÃo de aeronaves, auxÃlio a cirurgias mÃdicas, sistemas de diagnÃstico mÃdico e detecÃÃo de falhas mecÃnicas. Isto se deve ao fato do conhecimento està armazenado na topologia, nos pesos e â quando usado â no bias da rede, o que evidentemente dificulta a compreensÃo pelo usuÃrio de como a rede encontrou a soluÃÃo para um determinado problema. Segundo a literatura, a forma mais usual de se resolver esta deficiÃncia à a partir da rede treinada extrair regras do tipo Se/EntÃo. Note que, tais regras sÃo bem mais aceitÃveis pelos usuÃrios por serem muito parecidas com a forma de representar o raciocÃnio humano. Logo, trata-se de uma maneira bastante plausÃvel de se justificar as saÃdas apresentadas pela rede. Portanto, o objetivo principal deste trabalho à fazer um estudo comparativo entre diversos algoritmos, incluindo os quatro aqui propostos (destacando-se o Literal e o ProRulext), para extraÃÃo de regras de redes MLP (Multilayer Perceptron) aplicadas à problemas de classificaÃÃo de padrÃes e de previsÃo de sÃries temporais verificando qual(is) o(s) mÃtodo(s) que obtÃm o conjunto de regras mais conciso e representativo das redes treinadas em cada um destes problemas

ASSUNTO(S)

inteligÃncia artificial extraÃÃo de regras algoritmo prorulext prorulext algorithm algoritmo literal artificial neural networks, artificial intelligence, rule extraction, literal algorithm redes neurais artificiais ciencia da computacao

ACESSO AO ARTIGO

Documentos Relacionados