Современные информационные технологии /1. Компьютерная инженерия

Ливинская Л.Б.

Московский технологический университет, Россия

Абдуктивные рассуждения и нейронные сети

Решение абдуктивной аргументации остается огромной проблемой для исследователей. Большая часть работы в области абдукции была сделана с использованием логического или вероятностного подходов.

Нейронные сети предполагают покрытие почти полного диапазона проблем абдукции и обеспечивают изящные решения.

С ростом значения абдукции как жизненной формы рассуждения в искусственном интеллекте многие исследователи попытались обратиться к абдуктивным рассуждениям с помощью логической или вероятностной структур. Некоторые из них, однако, предложили использование нейронных или связующих моделей для работы с абдуктивным рассуждением. Некоторые из первых работ, использующих этот подход, относятся к концу 80-х годов, когда получили свое начало «связующие» идеи и смогли развиться с помощью нейронной модели для применения к абдукции. Есть и более свежие идеи, которые были обоснованы и экспериментально доказаны. Они служат основой использования абдукции для реальных существующих проблем.

Абдукция была признана главной формой человеческих рассуждений только недавно, хотя большинство наших познаний можно рассматривать как абдуктивное знание, основанное на реальных наблюдений. Определение можно сформулировать следующим образом: абдукция – это процесс вывода причины из следствия или построения объяснений для наблюдаемых явлений.

С другой стороны нейронные сети (НС) – это класс алгоритмов, которые учат различать сходные и разнородные данные, используя учебный набор данных.

На первый взгляд две эти теории не связаны друг с другом, но они могут быть интерпретированы для выполнения одной и той же цели.

Рассмотрим пример, иллюстрирующий вышесказанное. Широко используемым примером демонстрации заявления о НС является задача «Символов». Здесь перед НС стоит задача распознавания рукописных символов таким образом, чтобы они могли использоваться автоматически, без необходимость выполнять ручную интерпретацию.

Например, если мы хотим, чтобы наша сеть распознавала A и B английского алфавита, мы знакомим сеть с набором рукописного A и B и «учим» ее расценивать их как два различных класса данных.

Сначала обучаемый создает классы подразумеваемых образов для представления A и B. Далее, они проверяются на данных из реального источника для получения результата. НС имеет врожденную способность делать вывод из определенных случаев и, следовательно, будет в состоянии определить вашу «A», как только увидит ее.

Возвращаясь к вопросу о связи абдукции и нейронной сети отметим, что абдукция может быть рассмотрена как обобщение из ряда наблюдений и синтеза гипотез для объяснения наблюдений. В действительности, у нас есть набор гипотез и предполагается, что наш алгоритм абдукции выберет одну из них, которая лучше всего объясняет наблюдаемые данные так, как она их понимает. Наблюдения могут быть интуитивно связаны с рукописным A и B, а набор гипотез может быть связан с классами, которые нейронная сеть создает для разделения данных.

На основе этого простого объяснения можно провести ассоциацию между свойствами абдукции и функционированием нейронных сетей.

Другими словами задачу абдукции можно описать как задачу оптимизации при наличии ограничений, когда входная информация является неполной и на основании некоторого количества фактов и следствия нам необходимо как бы реконструировать ту предпосылку, которая стала причиной данного явления.

Сети Хопфилда, например, позволяют просто и эффективно решать задачи воссоздания образов по неполной и искаженной информации. При использовании ассоциативной памяти доступ к информации производится непосредственно по ее содержанию, то есть по частично известным искаженным фрагментам. Потеря части информации или ее зашумление (наличие в ней ошибок) не приводит к катастрофическому ограничению доступа, если оставшейся информации достаточно для извлечения идеального образа.

Сеть из произвольного неидеального сигнала, поданного на ее вход, выделяет ("вспоминает" по частичной информации) соответствующий образец (если такой есть) или "дает заключение" о том, что входные данные не соответствуют ни одному из образцов.

Ассоциативная память на основе сети Хопфилда работает в режиме восстановления – входной пример используется как начальное состояние сети, далее сеть эволюционирует согласно своей динамике. Выходной образец устанавливается, когда сеть достигает равновесия.

В виду вышеизложенного можно сделать следующий вывод: нейронные сети более формализованы и алгоритмизированы, в результате чего их можно использовать для решения задачи абдукции.

Литература:

1. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е изд.: Пер.с анг. – М.: Издательский дом «Вильямс», 2005.

2. Змитрович А.И. Интеллектуальные информационные системы. – Мн.: НТООО «ТетраСистемс», 1997.

3. Столяров Л.М. Обучение с помощью машин. – М.: Мир, 1965.