Sisteme Hibride de Invatare Automata si Aplicatii

本文提出了深度神经网络和神经符号方法来进行分类和回归。基于逻辑张量网络的神经符号预测模型能够区分和解释坏连接（称为警报或攻击）和正常连接的特征。所提出的混合系统结合了深度神经网络通过经验改进的能力和符号人工智能方法提供的结果可解释性。为了证明向混合系统转移的必要性，详细进行了密集神经网络和神经符号网络的解释、实现和比较。为了使比较具有相关性，使用了相同的数据集进行训练，并比较了结果指标。结果指标的回顾表明，虽然两种方法在其预测模型的精度上相似，但逻辑张量网络也可以在数据上进行交互式准确性和演绎推理。还进一步讨论了其他优缺点，如过度拟合缓解和可扩展性问题。

本论文旨在提出一种深度神经网络和神经符号方法的混合系统，用于分类和回归，并解释分类结果。该方法试图解决神经网络模型无法提供可解释性结果的问题。

本论文提出了一种基于逻辑张量网络的神经符号预测模型，能够同时区分和解释异常连接（警报或攻击）和正常连接的特征。该混合系统结合了深度神经网络通过经验自我提高的能力和符号人工智能方法提供的结果可解释性。

论文通过比较深度神经网络和神经符号网络的解释、实现和比较来证明需要转向混合系统。使用相同的数据集进行训练和比较，结果表明两种方法在预测模型的精度上相似，但逻辑张量网络还可以在数据上进行交互精度和演绎推理。此外，论文还讨论了过拟合缓解和可扩展性问题等优缺点。

最近的相关研究包括：《A Survey of Explainable Artificial Intelligence (XAI)》、《Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI》等。