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() 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方案_技高网

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方案

技术编号:44615888 阅读:10 留言:0更新日期:2025-03-17 18:16
本发明专利技术提供了一种自监督神经符号融合的可解释AI推理方法及系统,所述方法包括:S1、自监督学习模块:提取未标注数据的特征信息,获得表示符号知识的特征向量;S2、神经符号融合模块:利用AI智能学习策略,构建深度学习框架,结合奖励函数对特征向量进行训练,获得结构化知识;S3、可解释推理模块:构建基于神经符号融合的可解释的预测模型,获得求解后的推理结果;在对推理结果进行解释的过程中,将复杂的推理过程简化并展现。从而不仅保留了神经网络在处理复杂模式和数据关联上的优势,还引入了符号推理的可解释性和逻辑推理能力,从而提升了整个系统的性能和可解释性。从而使得模型在训练过程中能够同时优化特征表示和逻辑推理。

【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;p>

4、步骤s2、利用ai智能学习策略,将神经网络的特征提取和符号推理的推理规则融合一起,构建深度学习框架,所述深度学习框架在获取特征向量后,结合奖励函数对特征向量进行训练,获得结构化知识;本专利技术将神经网络的特征提取能力与符号推理的推理规则相结合,构建了一个深度学习框架。这种融合不仅发挥了神经网络在处理复杂数据方面的优势,还借鉴了符号推理在逻辑推断和可解释性方面的优点;

5、步骤s3、构建基于神经符号融合的可解释的预测模型,对结构化知识执行逻辑推理和决策制定,获得求解后的推理结果;在对推理结果进行解释的过程中,将复杂的推理过程简化并展现。构建基于神经符号融合的可解释的预测模型是本方法的另一大创新点。该模型能够执行逻辑推理和决策制定,并输出求解后的推理结果。在对推理结果进行解释的过程中,该方法将复杂的推理过程简化并展现给用户,提高了ai系统的透明度和可解释性。

6、综合性效果:本专利技术通过将自监督学习方法、神经网络与符号推理相结合,该方法在推理能力、可解释性、泛化能力等方面都取得了显著的提升。

7、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。

8、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:

9、s201、所述特征提取器用于获取步骤s1中的特征信息,生成符合未标注数据真实特征的样本集;

10、s202、ai智能学习策略基于步骤s1得到的特征向量,生成对抗网络生成器和对抗网络对抗器,特征向量以随机噪声和概念作为输入方式,在所述对抗网络生成器中生成未标注数据的概念对应样本,所述对抗网络对抗器通过损失函数来判别样本集与概念对应样本之间的差异值,建立有训练标签特征和未训练标签特征;

11、s203、样本分类器基于符号知识间的关联,将未训练标签特征迁移到有训练标签特征中,用于预测未标注数据的类别。

12、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:

13、r=r1+r2

14、

15、其中r是奖励函数;r1是规则遵循奖励;r2是特征提取准确性奖励;n是规则数量;α是一个正数,表示违反规则的惩罚程度;rk是一个二进制变量,用于表示是否遵循每条规则,即遵循规则为1,不遵循规则为0。

16、步骤s2中,所述结构化知识的获得过程包括如下步骤:

17、s211、通过嵌入式技术将特征向量映射到表示空间中,并将特征向量转换成低维稠密向量;

18、s212、在知识图谱或图神经网络中,描述出低维稠密向量数据的实体和关系,并根据规则和逻辑推断出新的实体和关系,获得输出特征图;

19、s213、在步骤s212中,输出特征图由特征提取算法对每个输出特征点进行局部加权求和,并加上偏置项后计算得出结构化知识;所述特征提取算法的计算表达式为:

20、

21、其中qij是输出特征图中第i行第j列的元素;σ是激活函数,用于引入非线性;s(i+m,j+n)是输入特征图中与卷积核当前位置对应的元素,即(i,j)是输出特征图中某个元素的位置坐标,(m,n)表示卷积核内某个权重元素相对于卷积核中心位置的偏移量,由于卷积核在输入特征图上滑动以进行局部加权求和,因此(i+m,j+n)实际上表示的是输入特征图上与卷积核当前滑动位置相重叠的区域内某个元素的位置坐标;lmn是卷积核中第m行第n列的权重;φ是偏置项;求和符号表示对卷积核内所有元素(即m,n均为从到)的遍历。

22、步骤s2中,当完全遵循所有规则时,规则遵循奖励r1的值等于1;当完全违反所有规则时,规则遵循奖励r1的值等于-α;遵循部分规则时,规则遵循奖励r1的值在-α~1之间。

23、步骤s3中,所述预测模型包括表示模块和解释生成器;

24、所述表示模块对结构化知识进行关系表定义,通过聚合邻居机制和注意力机制赋予所述预测模型可解释性;

25、所述解释生成器对所述预测模型的注意力值进行排序,选出注意力值最高的邻居作为模型预测结果的解释。

26、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。

27、本专利技术还提供了一种自监督神经符号融合的可解释ai推理系统,包括预处理单元、转换单元以及推理解释单元;

28、所述预处理单元用于获取并处理未标注数据的特征信息,获得能够被所述转换单元所接收的特征向量数据;

29、所述转换单元用于将特征向量进行多次的计算与训练,获得能够被所述推理解释单元接收的结构化知识;

30、所述推理解释单元用于将复杂的结构化知识简化成推理结果。

31、本专利技术还提供了一种设备,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所述的方法的各步本文档来自技高网...

【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时,规则遵循奖励R1的值等于1;当完全违反所有规则时,规则遵循奖励R1的值等于-α;遵循部分规则时,规则遵循奖励R1的值在-α~1之间。

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:

网友询问留言 已有0条评论
  • 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。

1