Deductive classifier とは

演繹的分類子は、人工知能推論エンジンの一種である。これは、医学研究や分子生物学などのドメインに関するフレーム言語の宣言を入力として受け取ります。たとえば、クラス、サブクラス、プロパティ、および許容値の制限の名前。分類器は、様々な宣言が論理的に一貫性があるかどうかを判断し、そうでない場合には、特定の一貫性のない宣言およびそれらの間の不一致を強調する。宣言が一貫している場合、分類器は入力に基づいて追加情報をアサートすることができます。たとえば、既存のクラスに関する情報を追加したり、追加のクラスを作成したりすることができます。これは、ルールのIF-THEN条件をトリガーする従来の推論エンジンとは異なります。クラシファイアは、入力として受け取り、ファーストオーダーロジックを介して出力を生成するという点で、定理証明者と同様です。クラシファイアはKL-ONEフレーム言語に由来しています。彼らはセマンティックWebの実現可能なテクノロジーに参加するようになり、ますます重要になっています。現代の分類器はWeb Ontology Languageを活用しています。彼らが分析し生成するモデルは、オントロジーと呼ばれます。

Sukhotin’s algorithm とは

Sukhotinのアルゴリズム(Boris V. Sukhotinによって導入された)は、テキスト中の文字を母音または子音として分類するための統計的分類アルゴリズムである。また、いくつかの代替暗号で使用されているかもしれないし、Voynich原稿を解読する際に考慮されているが、1つの問題は、原稿が書かれている記号の集合に同意することである。

Compositional pattern-producing network とは

構成パターン生成ネットワーク(CPPN)は、進化が遺伝的アルゴリズムによって導かれるアーキテクチャを有する人工ニューラルネットワーク(ANN)の変形である。
ANNはしばしばシグモイド関数と時々ガウス関数のみを含むが、CPPNは両方のタイプの関数と他の多くの関数を含むことができる。カノニカルセットの関数の選択は、特定のタイプのパターンおよび規則性に偏っている可能性があります。例えば、正弦波などの周期的な関数は、繰り返しによる分割パターンを生成し、ガウスのような対称関数は対称パターンを生成します。線形関数を使用して、線形またはフラクタル様パターンを生成することができる。したがって、CPPNに基づく遺伝子芸術システムの設計者は、それが含む標準的な機能のセットを決定することによって生成するパターンのタイプを偏らせることができる。
さらに、典型的なANNとは異なり、CPPNは可能な入力の空間全体に適用され、完全な画像を表現することができます。それらは関数の構成であるため、実際には無限の解像度で画像を符号化し、最適な解像度で特定のディスプレイに対してサンプリングすることができます。
CPPNは、トポロジを増強する神経進化(CPPN-NEATと呼ばれる)のような神経進化技術によって進化させることができる。
CPPNは、以下を進化させる際に非常に強力なエンコードであることが示されています。
 HyperNEATアルゴリズム、2D画像、 "PicBreeder.org"、3Dオブジェクト、 "EndlessForms.com"、ロボットモフォロジスリジッドロボットソフトロボットを介したニューラルネットワーク。

Radial basis function network とは

数学的モデリングの分野において、ラジアル基底関数ネットワークは、ラジアル基底関数を活動関数として使用する人工ニューラルネットワークである。ネットワークの出力は、入力とニューロンパラメータとの半径方向基底関数の線形結合である。放射基底関数ネットワークは、関数近似、時系列予測、分類、およびシステム制御を含む多くの用途を有する。それらは、Royal SignalalsとRadar Establishmentの両方の研究者であるBroomheadとLoweによる1988年の論文に初めて制定されました。

Hyper basis function network とは

機械学習では、ハイパーベーシスファンクションネットワーク、すなわちHyperBFネットワークは、ユークリッド距離測定の代わりにマハラノビス距離のような半径方向基底関数(RBF)ネットワークの概念の一般化です。ハイパーベーシス関数ネットワークは、1990年の論文「近似と学習のためのネットワーク」でPoggioとGirosiによって最初に導入されました。

Types of artificial neural networks とは

人工ニューラルネットワーク(ANN)には多くの種類があります。
人工ニューラルネットワークは、生物学的ニューラルネットワークに触発された計算モデルであり、一般に知られていない関数を近似するために使用される。特に、ニューロンや、入力(例えば、手の目や神経終末からの)、処理、脳からの出力(光、触覚、熱など​​に反応する)の間で伝達する電気信号の影響を受けています)。ニューロンが意味的に伝達する方法は、進行中の研究領域です。大部分の人工ニューラルネットワークは、それらのより複雑な生物学的同等物と幾分類似しているだけであるが、それらの意図されたタスク(例えば、分類またはセグメント化)において非常に有効である。
いくつかのANNは適応システムであり、例えば人口や環境をモデル化するために使用され、絶えず変化しています。
ニューラルネットワークは、ハードウェア(ニューロンは物理的構成要素によって表される)またはソフトウェアベース(コンピュータモデル)であり、様々なトポロジーおよび学習アルゴリズムを使用することができる。

Group method of data handling とは

グループデータ処理法(GMDH)は、モデルの完全自動構造最適化およびパラメトリック最適化を特徴とするマルチパラメトリックデータセットのコンピュータベースの数学的モデル化のための誘導アルゴリズムファミリです。
GMDHは、データマイニング、知識発見、予測、複雑なシステムモデリング、最適化、パターン認識などの分野で使用されています。 Li et。 al。 (2017)の結果は、GMDHニューラルネットワークが単一指数平滑、二重指数平滑、ARIMAおよび逆伝搬ニューラルネットワークのような古典的予測アルゴリズムよりも優れていることを示した。
GMDHアルゴリズムは、徐々に複雑な多項式モデルのソート・アウトを実行し、いわゆる外部基準によって最良の解を選択する誘導手順によって特徴付けられる。
複数の入力と1つの出力を持つGMDHモデルは、基本関数(1)のコンポーネントのサブセットです。
Y ( x 1 , , x n ) = a 0 + i = 1 m a i f i {\displaystyle Y(x_{1},\dots ,x_{n})=a_{0}+\sum \limits _{i=1}^{m}a_{i}f_{i}}
ここで、fは異なる入力集合に依存する基本関数であり、aは係数であり、mは基本関数成分の数である。
最良の解を見つけるために、GMDHアルゴリズムは、部分モデルと呼ばれる基本関数(1)の様々なコンポーネントサブセットを考慮する。これらのモデルの係数は、最小2乗法によって推定される。 GMDHアルゴリズムは部分モデル成分の数を徐々に増加させ、外部基準の最小値によって示される最適複雑度を有するモデル構造を見つける。このプロセスは、モデルの自己組織化と呼ばれます。
GMDHで使用される最も一般的な基本関数は、次第に複雑なKolmogorov-Gabor多項式(2)です。
Y ( x 1 , , x n ) = a 0 + i = 1 n a i x i + i = 1 n j = i n a i j x i x j + i = 1 n j = i n k = j n a i j k x i x j x k + {\displaystyle Y(x_{1},\dots ,x_{n})=a_{0}+\sum \limits _{i=1}^{n}{a_{i}}x_{i}+\sum \limits _{i=1}^{n}{\sum \limits _{j=i}^{n}{a_{ij}}}x_{i}x_{j}+\sum \limits _{i=1}^{n}{\sum \limits _{j=i}^{n}{\sum \limits _{k=j}^{n}{a_{ijk}}}}x_{i}x_{j}x_{k}+\cdots }
得られたモデルは、多項式ニューラルネットワークとも呼ばれます。 JürgenSchmidhuberは、GDMHが初期の深い学習方法の1つであり、1971年には8層のニューラルネットを訓練するために使用されたと述べています。

(1+ε)-approximate nearest neighbor search とは

(1 +ε) – 近似近似探索は、最近傍探索問題の特別な場合である。 (1 +ε)に最も近い近傍探索への解は、問合せ点からの距離(1 +ε)R内の1つまたは複数の点であり、Rは問合せ点と真の最近傍点間の距離である。
最近傍探索を近似する理由には、高次元空間における正確な解の空間および時間コスト(次元の呪いを参照)と、いくつかの領域では、近似近似近似を見つけることが許容可能な解法が含まれる。
近似近似探索(1 +ε)を解くためのアプローチには、kd-trees、局所性感受性ハッシング、ブルートフォース探索が含まれます。