Полное описание

Шилов, Николай Германович. Анализ вариантов интеграции символьных и нейросетевых знаний на примере задачи классификации моделей предприятий / Н. Г. Шилов. - DOI 10.17308/sait/1995-5499/2024/2/140-151. - Текст : непосредственный // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии : научный журнал. - 2024. - N 2. - С. 140-151. - Библиогр. в конце ст. - ISSN 1995-5499.

ГРНТИ	УДК
28.23	004.8
28.23.37	004.032.26

Рубрики:
Искусственный интеллект
Нейронные сети

Кл.слова (ненормированные): нейронная сеть -- символьные знания -- нейросимволический интеллект -- классификация моделей предприятий
Аннотация: Нейросимволический искусственный интеллект ориентирован на интеграцию символьных и нейросетевых знаний. Поскольку символьные знания могут быть легко адаптированы к новым проблемным областям без необходимости обучения на больших объемах данных, нейросимволический искусственный интеллект является перспективным направлением исследований, в частности, для решения задач, для которых недоступны большие наборы данных, необходимые для обучения классических нейросетевых моделей. К таким задачам в том числе относятся задачи из области поддержки принятия решений при моделировании предприятий. Исследования, ориентированные на применение методов машинного обучения при решении задач из данной области, появились сравнительно недавно, и в настоящее время надежных наборов обучающих данных для них еще нет. В статье проанализированы варианты применения различных подходов к интеграции символьных знаний и нейросетевых моделей на примере задачи классификации моделей предприятий. Модели предприятий представлены в виде графов с типизированными вершинами, а в качестве признаков используются типы вершин модели и их количество (топология графов не рассматривается). Проведены эксперименты с использованием классической нейронной сети, нейронной сети, дополненной семантической функцией потерь, и нейронной сети, дополненной предобработкой данных на основе логических правил (при этом структура самой нейронной сети и параметры ее обучения не меняются). Результаты показывают, что применение семантической функции потерь незначительно ухудшает качество нейросетевой модели, в то время как использование предобработки данных существенно его улучшает. Приведенные экспериментальные данные наглядно демонстрируют перспективность исследований в области нейросимволического искусственного интеллекта при решении задач, не имеющих больших наборов обучающих данных, достаточных для использования классических нейросетевых моделей.

Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -139588-526462)

Шифр в сводном ЭК: 535ec6bb4653f1b8d1176edb25f2a2c9

Заказать
Заказ фрагмента документа ₽