neurocomputação baseada em conhecimento prof. júlio cesar nievola ppgia pucpr

Neurocomputação Baseada em Conhecimento

Prof. Júlio Cesar NievolaPPGIAPUCPR

PPGIA - PUCPR Prof. Júlio Cesar Nievola 2

NeurocomputaçãoÊnfase no uso e representação de conhecimento específico do problema dentro do paradigma de neurocomputação“Conhecimento é poder” aplica-seA modelagem explícita do conhecimento representado por um sistema neurcomputacional continua sendo um tema de pesquisa


Neurocomputação

Neurocomputação baseada em conhecimento diz respeito a métodos que trabalham com a representação e processamento explícito de conhecimento onde um sistema de neurocomputação está envolvidoInspirado historicamente na IA simbólica e nas redes neurais artificiais


Arquitetura

Abordagem HíbridaMódulos neural e simbólicos são distintos componentes, partilhando ou transferindo conhecimento

Abordagem UnificadaConhecimento modelado usando conexões locais/distribuídas entre neurônios

Abordagem TranslacionalMeio termo entre as abordagens


Sistema Especialista

Tem como objetivo a representação e uso de grandes quantidades de conhecimento, assegurando a sua integridade, consistência e exploração efetivaRealiza uma tarefa de tomada de decisão complexa dentro de um domínio de problema bem específico


Arquitetura Modular de Sistemas Especialistas

Base de Conhecimentos

Base de Fatos

Máquina (ou Motor) de Inferência

Mecanismo de Explanação

Interface com o Usuário


Propriedades Funcionais dos Sistemas Especialistas

O usuário descreve o problema de maneira interativaDeve inferir uma solução mesmo com informação incompleta ou imprecisaDeve fornecer ao usuário alguma explicação de suas conclusões para justificar suas inferências (normalmente chamadas COMO? e POR QUÊ?)


Sistemas Baseados em Regras xSistemas Neurais

Tamanho da Tarefa

Aquisição e Edição do Conhecimento

Matching Parcial

Informação Incompleta

Capacidade de Explanação


Algoritmo VL1ANN para Representação de Regras

1. Codificar variáveis de entrada como valores reais (numéricos)

2. FOR cada regra DO1. FOR cada átomo da regra DO

1. Codificar o átomo como nova unidade relacional na camada 1 conectada à entrada na camada 0

2. Conectar todas as unidades relacionais da regra a uma nova unidade AND na camada 2

3. Conectar todas as unidades AND representando regras com a mesma conclusão a uma nova unidade OR na camada 3

4. FOR cada variável de saída Attr que não esteja ortogonalmente codificada DO

1. Mapear todas as unidades OR de Attr na camada 3 à uma única nova unidade de saída na camada 4


Estratégias de Integração

Sistemas HíbridosDividir-e-conquistarRNA embutidaImplementação neural de conhecimento explícitoIncorporação de regras em RNAsExtração de regras de RNAsFinalização de regras fuzzy em RNAs


Estratégias de Integração

Sistemas Neurais EspecialistasTentativa de diminuir as desvantagens da representação implícita do conhecimento, introduzindo heurísticasRNA “enriquecida” com outras funcionalidades para ter as características de sistemas especialistasExemplos: MACIE, EXPSYS


MACIE (“Matrix-Controlled Inference Engine”)

Pésinchados

Ouvidosvermelhos

Perda decabelos

Vertigem Alergia aPlacibin

Aretasensitiva

SupercilioseNamastose

BiramibioPlacibin

Posiboost


Arquitetura SCANDALDATA PROBLEM PRIOR KNOWLEDGE

Task specificationTraining & test sets

Meta: NN knowledgeBase: Domain knowledge

Metalevel

Base Level

Supervisor

Data Pre-Processor

Hint-B.Config.

Search-B.Config.

Hint-B.Training

RN-to-NNCompiler

…

KnowledgeExtractors

DataCleaners

AritifDataGenerators

SimulatorN

Simulator3

Simulator2

Simulator1

…

Configured and trained networks

Symbolic-Connectionist Architecture for Neural Network Design and Learning


Seqüência de Passos nas Arquiteturas Translacionais

Obter conhecimento simbólico, ou seja, em forma estruturada do problemaTraduzir o conhecimento em uma RNATreinar a RNA para revisar e/ou refinar o conhecimento embutido na mesmaExtrair conhecimento simbólico da RNARefinar o conhecimento simbólico


Características dos Métodos Translacionais

Tipo de representação do conhecimento prévio e final

Forma de regras => RNA em avançoAutômatos => RNA recorrenteGrafos direcionados => neurônios recursivosÁrvores de decisão => representam o conhecimento prévio e/ou final extraído



Restrições baseadas na arquiteturaArquitetura para mapear representação estruturada desejadaNúmero de camadas => nível requerido para mapear regras à topologia da RNATipos de função de ativação => sigmóide ou baseada em fatores de certezaPesos: {-1,0,1} ou [-1,1]Entradas: {0,1} ou {-1,1}



Método de treinamentoRestrições nos parâmetros durante treinamento: pesos fixos / faixa de valoresModificações na topologia: adicionar ou apagar unidadesModificação da função objetivo normal: termos de regularização que criam penalidade para obter pesos no conjunto desejado {-1,0,1}



Os métodos de extração do conhecimento pode ser baseados em requisitos de treinamento especializado e uma arquitetura de RNA restrita, ou dirigidos a uma RNA genérica, sem restrições com relação ao tipo de treinamento a ser efetuado sobre o conhecimento simbólico embutido


Extração de Regras

É a tarefa de converter modelos de redes neurais treinadas em representações mais facilmente compreensíveisSurgiu em função de

Data Mining boomInteresse em métodos como boosting, bagging e error-correcting output codes


Técnicas de Extração de Conhecimento de RNAs

DecomposicionalExtração a nível de associações escondidas e de saída (dando origem às redes conexionistas baseadas em regras, RBCN)

PedagógicaRNA vista como “caixa preta” e a extração ocorre sobre arquiteturas sem restrições

Eclética


Características dos Métodos de Extração de Regras

CompreensibilidadeQuanto são humanamente compreensíveis

FidelidadeQuanto modela a RNA da qual foi extraída

PrecisãoPrevisão precisa sobre exemplos não vistos

EscalabilidadeGrandes espaços de entrada, unidades e conexões

GeneralidadeTreinamento especial e/ou restrições


Extração de RegrasBaseadas em Busca


Algoritmo SUBSET

Extrai regras dos neurônios das camadas intermediárias e de saídaBusca subconjuntos de pesos para cada neurônio cuja soma supera o limiarGrande número de possibilidade => processamento excessivoRegras com grande número de antecedentes


Algoritmo SUBSET

FOR cada neurônio da camada escondida e intermediária DO

Formar Sp subconjuntos, combinando somente pesos positivos cujo somatório supera o limiarFOR cada elemento P dos subconjuntos Sp DO

• Formar Sn subconjuntos de N elementos, considerando as combinações mínimas de pesos negativos, tal que a soma absoluta destes pesos seja maior que a soma de P menos o valor do limiar

• Formar a regra: IF P AND NOT N THEN neurônio


Rede e regras extraídas usandoo Algoritmo SUBSET


Algoritmo TREPAN (“TREes Parroting Networks”)

Independe da topologia da redeFornece uma árvore de decisãoUsa o método best-firstA classe de cada exemplo é definida por um oráculo (a própria RNA)Usa exemplos complementares para garantir mínimo de exemplos

neurocomputação baseada em conhecimento prof. júlio cesar nievola ppgia pucpr

Documents