SAFRAN: интерпретируемый метод прогнозирования ссылок на основе правил, превосходящий модели внедрения |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-09-18 16:11 Модели машинного обучения на основе нейронных вкраплений показали перспективность для прогнозирования новых связей в графах знаний. К сожалению, их практическая польза снижается из-за недостаточной интерпретируемости. Недавно полностью интерпретируемый основанный на правилах алгоритм AnyBURL показал конкурентоспособные результаты на многих эталонных тестах общего назначения для предсказания ссылок. Однако существующие подходы к объединению прогнозов, сделанных на основе множества правил, страдают от избыточности. Авторы данной работы улучшили AnyBURL, представив структуру применения правил SAFRAN, которая использует новый подход к агрегированию под названием Non-redundant Noisy-OR, который обнаруживает и группирует избыточные правила перед агрегированием. Ссылка на статью: https://arxiv.org/pdf/2109.08002v1.pdf Ссылка на GitHub: https://github.com/OpenBioLink/SAFRAN Источник: github.com Комментарии: |
|