由Łukasiewicz逻辑支配的知识提取与知识集成

开发机器学习特别是人工智能一直受到缺乏演绎、溯因和归纳之间适当接口层的强烈制约。本文朝此方向扩展传统代数规范方法。此处我们假设此类AI接口源于充分的神经-符号集成。该集成针对由多值Łukasiewicz逻辑支配的Topos所描述的论域进行。句子被集成到描述问题领域的符号知识库中，使用基于图形的语言编码，其中每个逻辑连接词由人工网络中的一个神经元定义。这使得将一阶公式作为背景知识集成到网络架构中，并简化从训练网络中提取符号规则。为此类神经网络训练，我们改进了Levenderg-Marquardt算法，利用软结晶限制网络结构中的知识传播。该过程降低了神经网络可塑性而不严重损害学习性能，允许符号模式涌现。这使得所产生的神经网络的描述能力与Łukasiewicz逻辑语言的描述能力相似，减少了符号与连接主义结构间转换的信息损失。我们在从指定结构提取知识上测试了此方法。为此，我们提出模糊状态自动机概念，并使用自动机行为推断其结构。我们将此类自动机用于生成指定为符号背景知识的关系的模型。