Neurocomputa o baseada em conhecimento
This presentation is the property of its rightful owner.
Sponsored Links
1 / 26

Neurocomputação Baseada em Conhecimento PowerPoint PPT Presentation


  • 52 Views
  • Uploaded on
  • Presentation posted in: General

Neurocomputação Baseada em Conhecimento. Prof. Júlio Cesar Nievola PPGIA PUCPR. Neurocomputação. Ênfase no uso e representação de conhecimento específico do problema dentro do paradigma de neurocomputação “Conhecimento é poder” aplica-se

Download Presentation

Neurocomputação Baseada em Conhecimento

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Neurocomputa o baseada em conhecimento

Neurocomputação Baseada em Conhecimento

Prof. Júlio Cesar Nievola

PPGIA

PUCPR


Neurocomputa o

Neurocomputação

  • Ênfase no uso e representação de conhecimento específico do problema dentro do paradigma de neurocomputação

  • “Conhecimento é poder” aplica-se

  • A modelagem explícita do conhecimento representado por um sistema neurcomputacional continua sendo um tema de pesquisa

Prof. Júlio Cesar Nievola


Neurocomputa o1

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 envolvido

  • Inspirado historicamente na IA simbólica e nas redes neurais artificiais

Prof. Júlio Cesar Nievola


Arquitetura

Arquitetura

  • Abordagem Híbrida

    • Módulos neural e simbólicos são distintos componentes, partilhando ou transferindo conhecimento

  • Abordagem Unificada

    • Conhecimento modelado usando conexões locais/distribuídas entre neurônios

  • Abordagem Translacional

    • Meio termo entre as abordagens

Prof. Júlio Cesar Nievola


Sistema especialista

Sistema Especialista

  • Tem como objetivo a representação e uso de grandes quantidades de conhecimento, assegurando a sua integridade, consistência e exploração efetiva

  • Realiza uma tarefa de tomada de decisão complexa dentro de um domínio de problema bem específico

Prof. Júlio Cesar Nievola


Arquitetura modular de sistemas especialistas

Arquitetura Modular de Sistemas Especialistas

  • Base de Conhecimentos

  • Base de Fatos

  • Máquina (ou Motor) de Inferência

  • Mecanismo de Explanação

  • Interface com o Usuário

Prof. Júlio Cesar Nievola


Propriedades funcionais dos sistemas especialistas

Propriedades Funcionais dos Sistemas Especialistas

  • O usuário descreve o problema de maneira interativa

  • Deve inferir uma solução mesmo com informação incompleta ou imprecisa

  • Deve fornecer ao usuário alguma explicação de suas conclusões para justificar suas inferências (normalmente chamadas COMO? e POR QUÊ?)

Prof. Júlio Cesar Nievola


Sistemas baseados em regras x sistemas neurais

Sistemas Baseados em Regras xSistemas Neurais

  • Tamanho da Tarefa

  • Aquisição e Edição do Conhecimento

  • Matching Parcial

  • Informação Incompleta

  • Capacidade de Explanação

Prof. Júlio Cesar Nievola


Algoritmo vl 1 ann para representa o de regras

Algoritmo VL1ANN para Representação de Regras

  • Codificar variáveis de entrada como valores reais (numéricos)

  • FOR cada regra DO

    • FOR cada átomo da regra DO

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

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

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

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

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

Prof. Júlio Cesar Nievola


Estrat gias de integra o

Estratégias de Integração

  • Sistemas Híbridos

    • Dividir-e-conquistar

    • RNA embutida

    • Implementação neural de conhecimento explícito

    • Incorporação de regras em RNAs

    • Extração de regras de RNAs

    • Finalização de regras fuzzy em RNAs

Prof. Júlio Cesar Nievola


Estrat gias de integra o1

Estratégias de Integração

  • Sistemas Neurais Especialistas

    • Tentativa de diminuir as desvantagens da representação implícita do conhecimento, introduzindo heurísticas

    • RNA “enriquecida” com outras funcionalidades para ter as características de sistemas especialistas

    • Exemplos: MACIE, EXPSYS

Prof. Júlio Cesar Nievola


Macie matrix controlled inference engine

Posiboost

Placibin

Biramibio

Namastose

Superciliose

Pés

inchados

Ouvidos

vermelhos

Perda de

cabelos

Vertigem

Areta

sensitiva

Alergia a

Placibin

MACIE (“Matrix-Controlled Inference Engine”)

Prof. Júlio Cesar Nievola


Arquitetura scandal

DATA PROBLEM

PRIOR KNOWLEDGE

Task specification

Training & test sets

Meta: NN knowledge

Base: Domain knowledge

Metalevel

Supervisor

Hint-B.

Training

Data Pre-

Processor

Search-B.

Config.

RN-to-NN

Compiler

Hint-B.

Config.

Data

Cleaners

AritifData

Generators

Knowledge

Extractors

Simulator

2

Simulator

N

Simulator

3

Simulator

1

Base Level

Configured and trained networks

Symbolic-Connectionist Architecture for Neural Network Design and Learning

Arquitetura SCANDAL

Prof. Júlio Cesar Nievola


Seq ncia de passos nas arquiteturas translacionais

Seqüência de Passos nas Arquiteturas Translacionais

  • Obter conhecimento simbólico, ou seja, em forma estruturada do problema

  • Traduzir o conhecimento em uma RNA

  • Treinar a RNA para revisar e/ou refinar o conhecimento embutido na mesma

  • Extrair conhecimento simbólico da RNA

  • Refinar o conhecimento simbólico

Prof. Júlio Cesar Nievola


Caracter sticas dos m todos translacionais

Características dos Métodos Translacionais

  • Tipo de representação do conhecimento prévio e final

    • Forma de regras => RNA em avanço

    • Autômatos => RNA recorrente

    • Grafos direcionados => neurônios recursivos

    • Árvores de decisão => representam o conhecimento prévio e/ou final extraído

Prof. Júlio Cesar Nievola


Caracter sticas dos m todos translacionais1

Características dos Métodos Translacionais

  • Restrições baseadas na arquitetura

    • Arquitetura para mapear representação estruturada desejada

    • Número de camadas => nível requerido para mapear regras à topologia da RNA

    • Tipos de função de ativação => sigmóide ou baseada em fatores de certeza

    • Pesos: {-1,0,1} ou [-1,1]

    • Entradas: {0,1} ou {-1,1}

Prof. Júlio Cesar Nievola


Caracter sticas dos m todos translacionais2

Características dos Métodos Translacionais

  • Método de treinamento

    • Restrições nos parâmetros durante treinamento: pesos fixos / faixa de valores

    • Modificações na topologia: adicionar ou apagar unidades

    • Modificação da função objetivo normal: termos de regularização que criam penalidade para obter pesos no conjunto desejado {-1,0,1}

Prof. Júlio Cesar Nievola


Caracter sticas dos m todos translacionais3

Características dos Métodos Translacionais

  • 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

Prof. Júlio Cesar Nievola


Extra o de regras

Extração de Regras

  • É a tarefa de converter modelos de redes neurais treinadas em representações mais facilmente compreensíveis

  • Surgiu em função de

    • Data Mining boom

    • Interesse em métodos como boosting, bagging e error-correcting output codes

Prof. Júlio Cesar Nievola


T cnicas de extra o de conhecimento de rnas

Técnicas de Extração de Conhecimento de RNAs

  • Decomposicional

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

  • Pedagógica

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

  • Eclética

Prof. Júlio Cesar Nievola


Caracter sticas dos m todos de extra o de regras

Características dos Métodos de Extração de Regras

  • Compreensibilidade

    • Quanto são humanamente compreensíveis

  • Fidelidade

    • Quanto modela a RNA da qual foi extraída

  • Precisão

    • Previsão precisa sobre exemplos não vistos

  • Escalabilidade

    • Grandes espaços de entrada, unidades e conexões

  • Generalidade

    • Treinamento especial e/ou restrições

Prof. Júlio Cesar Nievola


Extra o de regras baseadas em busca

Extração de RegrasBaseadas em Busca

Prof. Júlio Cesar Nievola


Algoritmo subset

Algoritmo SUBSET

  • Extrai regras dos neurônios das camadas intermediárias e de saída

  • Busca subconjuntos de pesos para cada neurônio cuja soma supera o limiar

  • Grande número de possibilidade => processamento excessivo

  • Regras com grande número de antecedentes

Prof. Júlio Cesar Nievola


Algoritmo subset1

Algoritmo SUBSET

  • FOR cada neurônio da camada escondida e intermediária DO

    • Formar Sp subconjuntos, combinando somente pesos positivos cujo somatório supera o limiar

    • FOR 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 ANDNOT N THEN neurônio

Prof. Júlio Cesar Nievola


Rede e regras extra das usando o algoritmo subset

Rede e regras extraídas usandoo Algoritmo SUBSET

Prof. Júlio Cesar Nievola


Algoritmo trepan trees parroting networks

Algoritmo TREPAN (“TREes Parroting Networks”)

  • Independe da topologia da rede

  • Fornece uma árvore de decisão

  • Usa o método best-first

  • A classe de cada exemplo é definida por um oráculo (a própria RNA)

  • Usa exemplos complementares para garantir mínimo de exemplos

Prof. Júlio Cesar Nievola


  • Login