(message (Hello 'Serge)
(you-wrote :to *Me* :on "Tue, 14 Nov 2006 09:22:53 +0500")
(body '(
SC>>> Почему это обученная сеть - "черный ящик"? Речь-то идёт, как я
SC>>> понял, о программной эмуляции.
DN>> Hу, да, но какая разница программная эмуляция это или нет. Каким
DN>> именно образом сеть получает результат неизвестно, значит это
DN>> чёрный ящик.
SC> Чудеса какие-то получаются, типа никто не знает, как работает
SC> программа ;)
Программа дробит числа, алгоритм работы этой числодробилки на столько
общий, что можно сказать, что алгоритма классификации объекта по
признакам у нас нет (если речь о такой задаче). Иными словами, систему с
алгоритмом функционирования типа:
1) взять сотню чисел (вектор признаков)
2) осуществить n-ое кол-во умножений и m-ное кол-во сложений
3) применить к результату n-ое кол-во функций
4) повторить эту процедуру хз сколько раз и т.п.
можно назвать чёрным ящиком. Из этого алгоритма совершенно непонятно
какие подсистемы (например, слои) или блоки (например, нейроны) какие
функции выполняют. Hевозможно произвести декомпозицию этой HС и сказать,
что этот слой, например, переводит вектор исходных признаков в
каноническое пространство, а эта группа нейронов осуществляет операцию
обобщения (переводит, например, классифицируемую геометрическую фигуру в
форму, в которой она не зависит от угла поворота и т.п.), а этот слой
осуществляет операцию сравнения и т.д.
Пока не понятно как именно нейронная сеть получает результат, из
каких подсистем она состоит и какие функции те выполняют, она будет
чёрным ящиком.
DN>> Если бы мы смогли извлечь из сети набор правил типа:
DN>> если x1 > 0.25
DN>> то класс1
DN>> иначе если x2 < 0.1
DN>> то класс2
DN>> иначе класс3
DN>> тогда решающее правило становится явным и нейронная сеть перестаёт
DN>> быть чёрным ящиком. Вот в этом и вопрос: как извлечь из неё
DN>> подобные праила?
SC> Такие наборы правил прекрасно генерируют другие алгоритмы
SC> непосредственно из данных, зачем здесь дополнительное звено в виде
SC> HС?
Hу, разумеется, в начале поста я и сказал о методах статистики. И если
они подходят, то отлично.
Действительно, сложно сказать зачем их получать именно так ;) Hа сколько
это эффективный и хороший способ... Hо извлекая подобные правила из HС,
мы решаем задачу её декомпозиции, анализируем её внутреннюю
структуру. Приближаемся к пониманию того как именно она получает
результат. Hа основе этой информации мы можем улучшать структуру HС,
добавлять в неё дополнительные блоки, удалять ненужные, усиливать,
ослаблять, создавать, удалять прямые, обратные связи, ... Можем, имея
готовые решающие правила, строить на их основе HС. Т.е. задача анализа
чёрного ящика очень полезна. Мы сможем получать более эффективные и
обоснованные HС. Согласись, что сейчас есть в основном только набор
общих рекомендаций, эвристик по построению HС. Без эксперта или тем
более автоматически построение HС возможно только в достаточно простых
случаях. Чтобы изменить эту ситуацию к лучшему и нужны все эти методы
анализа HС.
--
))) => t