Extracción de reglas en redes neuronales feedforward entrenadas con lógica de primer orden

Abstract

La necesidad de integración neural-simbólica se hace evidente a medida que se abordan problemas más complejos, y que van más allá de tareas de dominio limitadas como lo es la clasificación. Los métodos de búsqueda para la extracción de reglas de las redes neuronales funcionan enviando combinaciones datos de entrada que activan un conjunto de neuronas. Ordenando adecuadamente los pesos de entrada de una neurona, es posible acotar el espacio de búsqueda. Con base en esta observación, este trabajo tiene por objetivo presentar un método para extraer el patrón de reglas aprendido por una red neuronal entrenada feedforward, analizar sus propiedades y explicar estos patrones a través del uso de lógica de primer orden (LPO).

The need for neural-symbolic integration becomes evident as more complex problems are addressed, and that go beyond limited domain tasks such as classification. The search methods for extracting rules from neural networks work by sending input data combinations that activate a set of neurons. By properly ordering the input weights of a neuron, it is possible to narrow the search space. Based on this observation, this paper aims to present a method to extract the rule pattern learned by a feedforward trained neural network, analyze its properties and explain these patterns through the use of first-order logic (FOL).