基于规则推理网络的分类模型

摘要：

为了缓解神经网络的“黑盒子”机制引起的算法可解释性低的问题,基于使用证据推理算法的置信规则库推理方法(以下简称RIMER)提出了一个规则推理网络模型.该模型通过RIMER中的置信规则和推理机制提高网络的可解释性.首先证明了基于证据推理的推理函数是可偏导的,保证了算法的可行性;然后,给出了规则推理网络的网络框架和学习算法,利用RIMER中的推理过程作为规则推理网络的前馈过程,以保证网络的可解释性;使用梯度下降法调整规则库中的参数以建立更合理的置信规则库,为了降低学习复杂度,提出了“伪梯度”的概念;最后,通过分类对比实验,分析了所提算法在精确度和可解释性上的优势.实验结果表明,当训练数据集规模较小时,规则推理网络的表现良好,当训练数据规模扩大时,规则推理网络也能达到令人满意的结果.

关键词：规则推理、RIMER、可解释性网络、机器学习、不确定性分类

所属期刊栏目：31

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61772250,U1936109,61672127

在线出版日期：2020-06-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：1063-1078