ПОСТРОЕНИЕ РЕШАЮЩИХ ПРАВИЛ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ ARTMAP

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.

1. Molnar C. Interpretable Machine Learning [Электронный ресурс]: Perfectbound Paperback. – 2019. - 318 Р. – Режим доступа: https://christophm.github.io/interpretable-ml-book/ (дата обращения: 08.09.2019)

2. Tan A.-H. Cascade ARTMAP: Integrating Neural Computation and Symbolic Knowledge Processing. // IEEE Trans.on Neural Networks, 1997, vol. 8, n.2.

3. Carpenter, G.A., Grossberg, S. Adaptive Resonance Theory// The Handbook of Brain Theory and Neural Networks. Cambridge, MA: MIT Press. - 2003, pp. 87-90.

4. Каширина И.Л., Федутинов К.А. Кластеризация непрерывного потока данных на основе обобщенной модели нейронной сети семейства ART//Системы управления и информационные технологии. - 2018. Т. 71. № 1. С. 33-39.

5. Carpenter G.A., Grossberg S., Reynolds J.H. ARTMAP: Supervised real-time learning and classification of nonstationary data by a self-organizing neural network // Neural Networks. – 1991. – № 4. – Р. 565-588.

6. Каширина И.Л., Львович Я.Е., Сорокин С.О. Нейросетевое моделирование формирования кластерной структуры на основе сетей ART // Информационные технологии. 2017. Т. 23. № 3. С. 228-232.

7. Каширина И.Л., Федутинов К.А. Применение сети Fuzzy ARTMAP в интеллектуальных системах обнаружения вторжений// Моделирование, оптимизация и информационные технологии. 2018. Т. 6. № 3 (22). С. 243- 257.