การประมาณกฎจากวิธีการโปรแกรมตรรกะเชิงอุปนัยด้วยวิธีการแบ็กพรอพาเกชันนิวรอลเน็ตเวิร์ก

Abstract

ปัญหาประการหนึ่งของวิธีการโปรแกรมตรรกะเชิงอุปนัย (Inductive Logic Programming) หรือ ไอแอลพี คือ กฎที่ได้จากกระบวนการไอแอลพีไม่สามารถจำแนกตัวอย่างใหม่ หรือตัวอย่างที่มีสัญญาณรบกวนได้ถูกต้อง เนื่องจากระบบไอแอลพีจะเลือกกฎที่ตรงกับตัวอย่างพอดีแล้วจำแนกตามกฎนั้น เมื่อไม่มีกฎข้อใดที่ครอบคลุมหรือตรงพอดีกับตัวอย่างนั้น ระบบไอแอลพีจะไม่สามารถจำแนกตัวอย่างได้ เพื่อแก้ปัญหาในกรณีดังกล่าว ผู้วิจัยจึงได้สร้างขั้นตอนวิธีดึงลักษณะสำคัญ (feature extraction algorithm) เพื่อใช้ร่วม กับแบ็กพรอพาเกชันนัวรอลเน็ตเวิร์ก (Backpropagation Neural Network) ในการประมาณกฎใกล้เคียงสำหรับตัวอย่าง ในการวิจัยได้ทดลองเปรียบเทียบวิธีการนี้โดยใช้ชุดข้อมูลที่เป็นตรรกะลำดับที่หนึ่งจำนวน 4 ชุดข้อมูล ผลการทดลองแสดงถึงเปอร์เซ็นต์ความถูกต้องที่เพิ่มขึ้นจากการใช้กฎจากระบบไอแอลพีเพียงอย่างเดียวจำแนกตัวอย่าง โดยเฉพาะปัญหาที่มีลักษณะเป็นหลายกลุ่ม (multi-class problem) และเปอร์เซ็นต์ความถูกต้องที่ได้ยังสูงกว่าระบบอื่นที่ได้ทดลองเปรียบเทียบไวในงานวิจัยนี้ นอกจากนี้ยังได้ทดลองเพื่อแสดง ให้เห็นถึงความทนทานต่อสัญญาณรบกวนในชุดข้อมูลที่มีลักษณะเป็นสองกลุ่ม ผลการทดลองปรากฎว่าเปอร์เซ็นต์ความถูกต้องของวิธีการที่สร้างขึ้นในงานวิจัยนี้ ลดลงช้ากว่าเปอร์เซ็นต์ความถูกต้องของกฎที่ได้จากระบบไอแอลพี