Extrakce symbolických pravidel inverzí síťové funkce

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F04%3A03096691" target="_blank" >RIV/68407700:21230/04:03096691 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Symbolic Rule Extraction and Visualization using Network Function Inversion

Popis výsledku v původním jazyce

An important type of knowledge representation is sets of symbolic IF.THEN rules. Symbolic rules are well understood by humans and amenable to symbolic manipulation and inference techniques. Rule extraction using neural networks presents an attractive approach to knowledge acquisition because it combines the straightforward manner in which neural networks can learn from training data with the above given advantages of rule sets. Rule extraction using neural networks proceeds by first training a neural network on the analyzed data, followed by transformation of the resulting network into a corresponding rule set representation. The article presents a rule induction technique that employ inversion of the network function in rule induction process. The technique is then generalized to a three-stage rule induction method and its advantages are discussed, including the use of decision region connectivity analysis for higher level-description of auxiliary middle model.

Název v anglickém jazyce

Symbolic Rule Extraction and Visualization using Network Function Inversion

Popis výsledku anglicky

An important type of knowledge representation is sets of symbolic IF.THEN rules. Symbolic rules are well understood by humans and amenable to symbolic manipulation and inference techniques. Rule extraction using neural networks presents an attractive approach to knowledge acquisition because it combines the straightforward manner in which neural networks can learn from training data with the above given advantages of rule sets. Rule extraction using neural networks proceeds by first training a neural network on the analyzed data, followed by transformation of the resulting network into a corresponding rule set representation. The article presents a rule induction technique that employ inversion of the network function in rule induction process. The technique is then generalized to a three-stage rule induction method and its advantages are discussed, including the use of decision region connectivity analysis for higher level-description of auxiliary middle model.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2004

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Workshop 2004

ISBN

80-01-02945-X

ISSN

—

e-ISSN

—

Počet stran výsledku

2

Strana od-do

—

Název nakladatele

ČVUT

Místo vydání

Praha

Místo konání akce

Praha

Datum konání akce

22. 3. 2004

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—