นิวรอลเน็ตเวิร์กตรรกะอันดับที่หนึ่ง : การจัดการกับโปรแกรมตรรกะอันดับที่หนึ่งด้วยนิวรอลเน็ตเวิร์ก

ธนุพล เลิศลำเนาชัย, 2525-

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/1679

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	บุญเสริม กิจศิริกุล	-
dc.contributor.author	ธนุพล เลิศลำเนาชัย, 2525-	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	-
dc.date.accessioned	2006-08-11T09:09:50Z	-
dc.date.available	2006-08-11T09:09:50Z	-
dc.date.issued	2547	-
dc.identifier.isbn	9741771088	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/1679	-
dc.description	วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2547	en
dc.description.abstract	การโปรแกรมตรรกะเชิงอุปนัยหรือไอแอลพีเป็นวิธีการเรียนรู้ที่มีข้อดีที่สามารถนำความรู้ภูมิหลังมาใช้ในการเรียนรู้ได้และแนวคิดหรือกฎที่ได้จากการเรียนรู้ก็อยู่ในรูปแบบที่มนุษย์เข้าใจได้ง่าย อย่างไรก็ตามระบบไอแอลพีก็มีข้อจำกัดเนื่องจากไม่สามารถจำแนกตัวอย่างได้ในกรณีที่ตัวอย่างนั้นไม่ตรงกับกฎข้อใดเลยในเซตของกฎที่ได้จากการเรียนรู้ วิทยานิพนธ์นี้จึงนำเสนอวิธีการแก้ปัญหาโดยการนำแนวคิดของระบบไอแอลพีรวมเข้ากับนิวรอลเน็ตเวิร์กได้เป็นระบบใหม่ที่มีความยืดหยุ่นมากขึ้น ระบบที่ได้มีชื่อว่า นิวรอลเน็ตเวิร์กตรรกะอันดับที่หนึ่ง (First-Order Logical Neural Network: FOLNN) ระบบนี้มีโครงสร้างพื้นฐานมาจากนิวรอลเน็ตเวิร์กแบบป้อนไปข้างหน้า ที่ประยุกต์ให้สามารถรับอินพุตที่เป็นตัวอย่างและความรู้ภูมิหลังที่อยู่ในรูปแบบของโปรแกรมตรรกะอันดับหนึ่งมาใช้ในการเรียนรู้ได้โดยรง ในการทดลองได้ใช้ชุดข้อมูลที่เป็นตรรกะอันดับที่หนึ่งจำนวน 2 ชุด ผลการทดลองเปรียบเทียบระหว่างวิธีที่นำเสนอกับระบบ PROGOL ซึ่งเป็นระบบที่รู้จักอย่างแพร่หลายของระบบไอแอลพี ปรากฏว่าวิธีที่นำเสนอให้ค่าเปอร์เซ็นต์ความถูกต้องสูงกว่าระบบ PROGOL ทั้ง 2 ทั้งชุดข้อมูล นอกจากนี้ยังได้ทดลองเพื่อแสดงให้เห็นถึงความทนทานต่อข้อมูลที่มีสัญญาณรบกวน ผลการทดลองปรากฏว่าเปอร์เซ็นต์ความถูกต้องของวิธีที่ใช้ในงานวิจัยนี้ลดลงช้ากว่าค่าเปอร์เซ็นต์ความถูกต้องของระบบ PROGOL	en
dc.description.abstractalternative	The main advantages of Inductive Logic Programming (ILP) are the ability of employing background knowledge and inducing human readable representations in form of a set of first-order rules. Nevertheless, ILP systems have the restriction to the classification of imperfect data such as noisy unseen data which may not be covered by any learned rules. This thesis proposes a novel flexible learning method called First-Order Logical Neural Network (FOLNN) to alleviate the restriction of rule-based systems. FOLNN is based on the feedforward neural network that integrates inductive learning from examples and background knowledge. In addition, the proposed method enables neural networks to process first-order logic programs directly. In the experiments, FOLNN has been evaluated on two domains of first-order learning problems and compared with PROGOL, the state-of-the-art ILP system. The experimental results show that our proposed method provides more accurate results than PROGOL in both datasets. Furthermore, we also evaluate FOLNN on noisy domain to see how well the learner is robust to noisy data. The results show that the accuracy of our method decreases much slower and is much higher than that of PROGOL.	en
dc.format.extent	998709 bytes	-
dc.format.mimetype	application/pdf	-
dc.language.iso	th	en
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.subject	การโปรแกรมตรรกะเชิงอุปนัย	en
dc.subject	นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์)	en
dc.title	นิวรอลเน็ตเวิร์กตรรกะอันดับที่หนึ่ง : การจัดการกับโปรแกรมตรรกะอันดับที่หนึ่งด้วยนิวรอลเน็ตเวิร์ก	en
dc.title.alternative	First-order logical neural networks : making neural networks handle first-order logic programs	en
dc.type	Thesis	en
dc.degree.name	วิศวกรรมศาสตรมหาบัณฑิต	en
dc.degree.level	ปริญญาโท	en
dc.degree.discipline	วิศวกรรมคอมพิวเตอร์	en
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en
dc.email.advisor	boonserm@cp.eng.chula.ac.th, Boonserm.K@Chula.ac.th	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
Thanupol.pdf		902.39 kB	Adobe PDF	View/Open

Show simple item record