เครื่องเรียนรู้เชิงตรรกะ

เครื่องเรียนรู้ตรรกะ ( LLM ) เป็น วิธี การเรียนรู้ของเครื่องโดยอาศัยการสร้างกฎที่เข้าใจได้ LLM เป็นการนำแนวคิดเครือข่ายประสาทแบบสลับ (SNN) มาใช้อย่างมีประสิทธิภาพ^{[ 1 ]}ซึ่งพัฒนาโดย Marco Muselli นักวิจัยอาวุโสที่สภาวิจัยแห่งชาติอิตาลี CNR-IEIIT ในเมืองเจนัว

LLM ได้ถูกนำไปใช้ในหลายภาคส่วน รวมถึงสาขาการแพทย์ (การจำแนกประเภทผู้ป่วยด้านศัลยกรรมกระดูก^{[ 2 ]}การวิเคราะห์ไมโครอาร์เรย์ DNA ^{[ 3 ]}และระบบสนับสนุนการตัดสินใจทางคลินิก^{[ 4 ]} ) บริการทางการเงินและการจัดการห่วงโซ่อุปทาน

แนวทาง Switching Neural Network ได้รับการพัฒนาในช่วงทศวรรษ 1990 เพื่อเอาชนะข้อเสียของวิธีการเรียนรู้ของเครื่องที่ใช้กันทั่วไป โดยเฉพาะอย่างยิ่ง วิธีการแบบกล่องดำ เช่นเพอร์เซปตรอนหลายชั้นและเครื่องสนับสนุนเวกเตอร์มีความแม่นยำดี แต่ไม่สามารถให้ข้อมูลเชิงลึกเกี่ยวกับปรากฏการณ์ที่ศึกษาได้ ในทางกลับกันต้นไม้ตัดสินใจสามารถอธิบายปรากฏการณ์ได้ แต่มักขาดความแม่นยำ Switching Neural Networks ใช้พีชคณิตบูลีนเพื่อสร้างชุดกฎที่เข้าใจได้ซึ่งสามารถให้ประสิทธิภาพที่ดีมาก ในปี 2014 ได้มีการพัฒนาและใช้งาน Switching Neural Network เวอร์ชันที่มีประสิทธิภาพในชุด Rulex โดยใช้ชื่อว่า Logic Learning Machine ^{[ 5 ]}นอกจากนี้ ยังมีการพัฒนา LLM เวอร์ชันที่มุ่งเน้นปัญหาการถดถอยอีกด้วย

เช่นเดียวกับวิธีการเรียนรู้ของเครื่องจักรอื่นๆ LLM ใช้ข้อมูลเพื่อสร้างแบบจำลองที่สามารถคาดการณ์พฤติกรรมในอนาคตได้อย่างแม่นยำ LLM เริ่มต้นจากตารางที่มีตัวแปรเป้าหมาย (ผลลัพธ์) และอินพุตบางส่วน จากนั้นสร้างชุดกฎที่ส่งคืนค่าผลลัพธ์ที่สอดคล้องกับการกำหนดค่าอินพุตที่กำหนด กฎจะเขียนในรูปแบบ: ${\displaystyle y}$

ถ้าข้อสมมติฐานนำไปสู่ผลลัพธ์

โดยที่ผลลัพธ์ประกอบด้วยค่าที่ได้ ในขณะที่ข้อสมมติฐานประกอบด้วยเงื่อนไขอย่างน้อยหนึ่งข้อเกี่ยวกับปัจจัยนำเข้า เงื่อนไขสามารถมีรูปแบบที่แตกต่างกันไปตามประเภทของปัจจัยนำเข้า:

• สำหรับตัวแปรเชิงหมวดหมู่ค่าที่ป้อนต้องอยู่ในเซตย่อยที่กำหนด: .${\displaystyle x_{1}\in \{A,B,C,...\}}$
• สำหรับตัวแปรเรียงลำดับเงื่อนไขจะเขียนในรูปอสมการหรือช่วง: หรือ${\displaystyle x_{2}\leq \alpha }$${\displaystyle \beta \leq x_{3}\leq \gamma }$

ดังนั้นกฎที่เป็นไปได้จึงอยู่ในรูปแบบดังนี้

ถ้า และและแล้ว${\displaystyle x_{1}\in \{A,B,C,...\}}$${\displaystyle x_{2}\leq \alpha }$${\displaystyle \beta \leq x_{3}\leq \gamma }$${\displaystyle y={\bar {y}}}$

ตามประเภทของผลลัพธ์ จึงมีการพัฒนาเครื่องเรียนรู้เชิงตรรกะ (Logic Learning Machine) เวอร์ชันต่างๆ ขึ้นมา:

• เครื่องมือการเรียนรู้เชิงตรรกะสำหรับการจำแนกประเภท เมื่อผลลัพธ์เป็นตัวแปรเชิงหมวดหมู่ซึ่งสามารถรับค่าได้ในเซตจำกัด
• เครื่องมือการเรียนรู้เชิงตรรกะสำหรับการถดถอย เมื่อผลลัพธ์เป็นจำนวนเต็มหรือจำนวนจริง

• เว็บไซต์อย่างเป็นทางการของ Rulex
• วิศวกรการเรียนรู้ของเครื่อง