ماشین یادگیری منطقی

ماشین یادگیری منطقی الگو:انگلیسی، یکی از روش‌های یادگیری ماشین بر اساس ایجاد قوانین قابل فهم است. LLM یک روش پیاده‌سازی شده کارآمد از الگوی شبکه عصبی سوئیچینگ (SNN) است، این شیوه توسط مارکو موسلی، پژوهشگر ارشد در مرکز تحقیقات ملی ایتالیا (CNR-IEIIT) در جنوا توسعه یافته‌است.

LLM در بخش‌های مختلف بسیاری، از جمله زمینه پزشکی (طبقه‌بندی بیماران ارتوپدی، تجزیه و تحلیل ریز آرایه DNA و همچنین سیستم‌های پشتیبانی تصمیم‌گیری بالینی)، خدمات مالی و مدیریت زنجیره غذایی استفاده شده‌است.

تاریخچه

شیوه شبکه عصبی سوئیچینگ در دهه ۱۹۹۰ برای غلبه بر مشکلاتی که رایج‌ترین روش‌های یادگیری ماشین داشتند، به وجود آمد. مخصوصاً، روش‌های جعبه سیاه، مانند پرسپترون چندلایه و ماشین بردار پشتیبان که دقت خوبی داشتند اما نمی‌توانستند درک عمیقی از پدیده مورد مطالعه در اختیار قرار دهند. ازطرف دیگر، روش درختان تصمیم‌گیری به خوبی قابلیت توصیف پدیده را داشتند اما اغلب دارای خطا بودند. شبکه‌های عصبی سوئیچینگ با به‌کارگیری جبر بولین توانست مجموعه ای از قوانین قابل فهم بساز تا عملکرد بهتری داشته باشد. در سال ۲۰۱۴، یک نسخه کارآمد از شبکه عصبی سوئیچینگ در مجموعه Rulex با نام Logic Learning Machine توسعه و پیاده‌سازی شد. همچنین، یک نسخهِ LLM آن به مشکلات رگرسیون اختصاص داده شده.

نگاه جامع

مانند دیگر روش‌های یادگیری ماشین، LLM از داده‌ها برای ساختن مدلی که توانایی پیش‌بینی درست رفتارهای آینده را دارد استفاده می‌کند. LLM در ابتدا با به کار گرفتن یک جدول شامل یک متغیر هدف (خروجی) و تعدادی ورودی شروع می‌کند و مجموعه ای از قوانین را برای برگرداندن مقدار خروجی $y$ متناسب با ورودی داده شده ایجاد می‌کند. این قانون به صورت زیر نوشته شده‌است:

$\mathbf{\text{if}}premise\mathbf{\text{then}}consequence$

اول مقدمه، سپس نتیجه

بدین صورت که نتیجه شامل مقدار خروجی است اما مقدمه شامل یک یا چند شرط از ورودی‌ها است. با توجه به نوع داده ورودی، شروط متفاوتی می‌توانند ایجاد شود:

• برای متغیرهای طبقه‌بندی شده، مقدار ورودی باید در یک زیرمجموعه معین باشد : $x_1\in \{A,B,C,...\}$ .
• برای متغیرهای مرتب شده، شرط به صورت یک نابرابری یا یک بازه نوشته می‌شود: $x_2\le \alpha$ یا $\beta \le x_3\le \gamma$

بنابراین، قانون احتمالی بدین شکل است:

$\mathbf{\text{if}}{x}_1\in \{A,B,C,...\}\text{ AND }{x}_2\le \alpha \text{ AND }\beta \le x_3\le \gamma \mathbf{\text{then}}y=\overline{y}$

انواع

بر اساس نوع داده خروجی، نسخه‌های متفاوتی از ماشین یادگیری منطقی طبقه‌بندی شده‌است:

• ماشین یادگیری منطقی برای طبقه‌بندی، زمانی که خروجی یک متغیر طبقه‌بندی شده‌است، که می‌تواند مقادیر را در یک مجموعه محدود فرض کند.
• ماشین یادگیری منطقی برای رگرسیون، زمانی که خروجی یک عدد صحیح یا واقعی باشد.