Neural-networks designed on Approximate Reasoning Architecture
Hideyuki Takagi, T. Kouda, Yoshihiro Kojima · Journal of Japan Society for Fuzzy Theory and Intelligent Informatics · 1991
本論文ではファジィ推論ルール構造という高次知識構造をアーキテクチャとするニューラルネット(NARA : Neural-networks designed on Approximate Reasoning Architecture)を提案し、ルール構造に基づいて提案ニューラルネット(NN)を解析することで性能向上のための改善がしやすくなることを示す。NNの性能向上には事前知識等の組み込みが重要になってくるが、従来は統計処理・プレワイヤといった比較的低次の知識がNNに反映されるだけであった。NARAはファジィ推論ルール構造をフレームワークに、NNを部品として構成されている。高次知識表現構造(ファジィ推論のアーキテクチャ)のおかげでNARAにはいくつかのメリットがある。NARAの最も大きな特長は性能向上のためにNNの構造や部分的なNNに手を入れられる、即ち、次の一手が打てる点にある。NARAはファジィ推論ルールに対応する小さいNNで構成されているので、NARAの内部を分析することによって性能に関わる部分を特定したりその部分だけを修正したりすることができる。第2の特長はNNの学習時間の短縮・NNの性能向上である。本論文はモデルの構築アルゴリズムとシミュレーションによる評価を示す。