Project R-10455

Beslissingsmodellen ontwerpen, bouwen en analyseren met behulp van recidiverende neurale netwerken in het kader van Explainable Artificial Intelligence (Onderzoek)

Recurrent Neural Networks (RNN's) zijn een soort kunstmatige neurale netwerken die achterwaartse verbindingen ondersteunen en soms cycli vormen in de onderliggende grafiek. Ondanks hun relatieve succes beschouwen de bestaande leeralgoritmen stabiliteitsproblemen niet als onderdeel van hun schema, ze bevatten alleen aspecten die verband houden met de uiteindelijke precisie van het inferentieproces. Het probleem van stabiliteit in RNN's blijft een obstakel voor wiskundigen en de afwezigheid van een exacte oplossing bewijst de behoefte aan alternatieve benaderingen geïnspireerd door benaderde technieken. Een belangrijk aspect in sommige RNN's zoals Fuzzy Cognitive Maps (FCMs) verwijst ook naar het gedrag van de witte doos, omdat de mens het redeneerproces intuïtief kan volgen. Ons voorstel is gericht op het verminderen van vaagheid tijdens de opbouw van netwerken, aangezien besluitvormers hun kennis op verschillende manieren uiten. We willen ook de prestaties van het netwerk verbeteren door gebruik te maken van ontdekkingen over het gedrag van FCMs en een nieuw algoritme voor backpropagation te ontwerpen voor de leerfase. Tot slot zullen we een interpreteerbaar raamwerk voorstellen in model, inferentieproces en beslissing. Door de bovengenoemde doelstellingen te bereiken, is ons doel om beslissingsmodellen te ontwerpen, bouwen en analyseren met behulp van Recurrent Neural Networks onder de gebouwen van Explainable Artificial Intelligence.

01 april 2020 - 31 december 2023