System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于ai数据处理领域,尤其涉及一种自监督神经符号融合的可解释ai推理方法及系统。
技术介绍
1、互联网、云计算、大数据与人工智能等新兴技术的迅猛进步与发展,已成为推动我国数字经济的重要引擎。特别是,消费互联网和工业互联网所形成的万物互联,使得商务、政务、安全、健康、金融等领域不断涌现出新的管理与决策模式和方法。从这些海量数据中获取知识与智慧,基于深入的分析与洞察,发现新的管理逻辑和模式,进而开展有效的管理决策,是当前的根本性研究主题。
2、传统模型在处理未标注数据或新领域的数据时,往往泛化能力有限。并且传统的神经网络模型,尤其是深度学习模型,在处理复杂任务时往往表现出色,但它们的决策过程通常难以解释,这限制了它们在需要高透明度和高可信度场景中的应用。
3、因此,急需一种自监督神经符号融合的可解释ai推理方法及其系统,来解决现有技术中所存在的技术问题。
技术实现思路
1、专利技术目的:本专利技术所要解决的技术问题是针对现有技术的不足,提供一种自监督神经符号融合的可解释ai推理方法及系统。
2、本专利技术方法包括以下步骤:
3、步骤s1、采用自监督学习方法,提取未标注数据的特征信息,通过神经网络模型对所提取的特征信息进行预处理和归纳,获得表示符号知识的特征向量;传统上,特征提取往往依赖于有标注的数据,而本方法采用自监督学习,能够从未标注的数据中自动提取特征信息。这降低了对大量标注数据的依赖,提高了数据利用率和模型的泛化能力;
...【技术保护点】
1.一种自监督神经符号融合的可解释AI推理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤S1中,所述自监督学习方法为对比学习或自编码器中的其中一种;所述预处理和归纳包括对特征信息进行去噪、归一化;所述神经网络模型为卷积神经网络、循环神经网络或图神经网络中的其中一种,用于捕捉所述特征信息中的复杂模式和关联,获得表示符号知识的特征向量。
3.根据权利要求2所述的方法,其特征在于,步骤S2中,所述深度学习框架包括特征提取器、对抗网络生成器、对抗网络对抗器和样本分类器;所述深度学习框架的学习过程包括以下步骤:
4.根据权利要求3所述的方法,其特征在于,步骤S2中,所述奖励函数用于奖励特征提取的准确性和奖励遵循符号推理规则的行为,所述奖励函数将所预测未标注数据的类别与特征向量进行结合训练,获得结构化知识;所述奖励函数的计算表达式为:
5.根据权利要求4所述的方法,其特征在于,步骤S2中,所述结构化知识的获得过程包括如下步骤:
6.根据权利要求5所述的方法,其特征在于,步骤S2中,当完全遵循所有规则
7.根据权利要求6所述的方法,其特征在于,步骤S3中,所述预测模型包括表示模块和解释生成器;
8.根据权利要求7所述的方法,其特征在于:步骤S3中,在所述表示模块对结构化知识进行关系表定义的过程中,对结构化知识中的独立信息进行编码,并根据所述独立信息之间的相互作用建模。
9.一种采用如权利要求1~8任一项所述的方法实现的自监督神经符号融合的可解释AI推理系统,其特征在于,包括预处理单元、转换单元以及推理解释单元;
10.一种设备,其特征在于,包括:处理器、储存器以及电子显示设备;所述处理器至少有一个,所述存储器内存储有可被所述处理器执行的指令,所述处理器能够执行权利要求1~8中任一项所述的方法的各步骤;所述电子显示设备用于将所述推理结果进行展现。
...【技术特征摘要】
1.一种自监督神经符号融合的可解释ai推理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤s1中,所述自监督学习方法为对比学习或自编码器中的其中一种;所述预处理和归纳包括对特征信息进行去噪、归一化;所述神经网络模型为卷积神经网络、循环神经网络或图神经网络中的其中一种,用于捕捉所述特征信息中的复杂模式和关联,获得表示符号知识的特征向量。
3.根据权利要求2所述的方法,其特征在于,步骤s2中,所述深度学习框架包括特征提取器、对抗网络生成器、对抗网络对抗器和样本分类器;所述深度学习框架的学习过程包括以下步骤:
4.根据权利要求3所述的方法,其特征在于,步骤s2中,所述奖励函数用于奖励特征提取的准确性和奖励遵循符号推理规则的行为,所述奖励函数将所预测未标注数据的类别与特征向量进行结合训练,获得结构化知识;所述奖励函数的计算表达式为:
5.根据权利要求4所述的方法,其特征在于,步骤s2中,所述结构化知识的获得过程包括如下步骤:
<...【专利技术属性】
技术研发人员:王丹,姚紫阳,张海燕,朱玉琨,钱琪斌,杜俊,
申请(专利权)人:无锡科技职业学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。