В статье рассматривается нейросетевая архитектура ARTMAP, совместимая с символическим представлением, основанным на IF- THEN правилах. В частности, знания, полученные в процессе обучения сети ARTMAP, могут быть трансформированы в компактный набор решающих правил для классификации исходных данных, которые могут быть проанализированы экспертами предметной области, по аналогии с интерпретируемыми методами машинного обучения, такими, как деревья решений или линейная регрессия. Аналогичным образом, знания в априорной области, представленные в форме правил IF- THEN могут быть преобразованы в нейросетевую архитектуру ARTMAP. Наличие предварительного набора правил, используемых при инициализации сети, повышает точность классификации и эффективность обучения. Исходный набор правил может быть дополнен с помощью алгоритма обучения ARTMAP. Каждое правило, сформированное в процессе обучения сети имеет коэффициент достоверности, который можно интерпретировать как его важность или полезность. Описание архитектуры, алгоритмов обучения и функционирования сети ARTMAP для извлечения правил представлено в терминах предложенной авторами ранее обобщенной модели сетей семейства АRT.
This article discusses the ARTMAP neural network architecture, compatible with a symbolic representation based on IF-THEN rules. In particular, the knowledge gained during the training of the ARTMAP network can be transformed into a compact set of decision rules for classifying the source data, which can be analyzed by domain experts, by analogy with interpreted machine learning methods, such as decision trees or linear regression. Similarly, knowledge in the a priori area presented in the form of IF-THEN rules can be transformed into the ARTMAP neural network architecture. The presence of a preliminary set of rules used in the initialization of the network increases the accuracy of classification and the effectiveness of training. The original set of rules can be supplemented using the learning algorithm ARTMAP. Each rule formed in the process of learning a network has a confidence factor that can be interpreted as its importance or usefulness. The architecture, training algorithms and functioning of the ARTMAP network for the extraction of rules are described in terms of the previously proposed generalized model of networks of the ART family proposed by the authors.
The authors declare that there are no conflicts of interest present.