主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第5期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
黄德根,张云霞,林红梅,邹丽,刘壮.基于规则推理网络的分类模型.软件学报,2020,31(4):1063-1078
基于规则推理网络的分类模型
Rule Inference Network Model for Classification
投稿时间:2019-03-10  修订日期:2019-07-11
DOI:10.13328/j.cnki.jos.005920
中文关键词:  规则推理  RIMER  可解释性网络  机器学习  不确定性分类
英文关键词:rule inference network  RIMER  interpretable network  machine learning  uncertainty classification
基金项目:国家自然科学基金(61772250,U1936109,61672127)
作者单位E-mail
黄德根 大连理工大学 计算机科学与技术学院, 辽宁 大连 116024 邹丽,E-mail:zoulicn@163.com 
张云霞 大连理工大学 计算机科学与技术学院, 辽宁 大连 116024  
林红梅 辽宁师范大学 计算机与信息技术学院, 辽宁 大连 116081  
邹丽 辽宁师范大学 计算机与信息技术学院, 辽宁 大连 116081  
刘壮 大连理工大学 计算机科学与技术学院, 辽宁 大连 116024  
摘要点击次数: 517
全文下载次数: 257
中文摘要:
      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.
英文摘要:
      The black-box working mechanism of artificial neutral network brings the confusion of interpretability. Therefore, a rule inference network is proposed based on rule-base inference methodology using the evidential reasoning approach (RIMER). It is interpretable by the rules and the inference engine in RIMER. In the present work, the partial derivatives of inference functions are proved as the theoretical fundamental of the proposed model. The framework and the learning algorithm of rule inference network for classification are presented. The feed forward of rule inference network using the inference process in RIMER contributes for the interpretability. Meanwhile, parameters in belief rule base such as attribute weights, rule weights and belief degree of consequents are trained by gradient descent as in neural network for belief rule base establishment. Moreover, the gradient is simplified by proposing the "pseudo gradient" to reduce the learning complex during the training process. The experimental results indicate the advantages of proposed rule inference network on both interpretability and learning capability. It shows that the rule inference network performs well when the scale of the training dataset is small, and when the training data scale increases, it also achieves comforting results.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利