面向自适应架构中适应规则的模糊化方法
人工智能
2021-12-20 v1 机器学习
摘要
在本文中，我们专注于利用神经网络用于自适应架构中的分析与规划阶段。论文所研究的动机案例涉及已有的（遗留的）自适应架构及其适应逻辑，这些逻辑由逻辑规则指定。我们进一步假设，需要赋予这些系统基于输入与期望输出示例进行学习的能力。解决此类需求的一个简单选择是用神经网络替代基于逻辑规则的推理。然而，这一步骤带来了若干问题，往往至少造成暂时的退步。其原因在于，逻辑规则通常代表大量经过测试的领域知识，若以神经网络替代逻辑规则，这些知识可能会丢失。此外，通用神经网络的黑箱特性模糊了系统内部的工作方式，从而引入了更多不确定性。在本文中，我们提出一种方法，能够在保留逻辑规则中已有领域知识的同时，赋予现有自适应架构使用神经网络学习的能力。我们引入了现有基于规则的系统与基于通用神经网络的系统之间的连续统。我们展示了如何在该连续统中导航并创建自然嵌入原始逻辑规则的神经网络架构，以及如何逐步扩展网络的学习潜力，从而控制所有软计算模型固有的不确定性。我们在两个较大真实用例的代表性摘录上展示了该方法并进行了评估。
引用
@article{arxiv.2112.09468,
title = {Towards fuzzification of adaptation rules in self-adaptive architectures},
author = {Tomáš Bureš and Petr Hnětynka and Martin Kruliš and Danylo Khalyeyev and Sebastian Hahner and Stephan Seifermann and Maximilian Walter and Robert Heinrich},
journal= {arXiv preprint arXiv:2112.09468},
year = {2021}
}