Гибридные коннекционистские модели извлечения темпоральных знаний из баз данных

Проблема выявления темпоральных знаний является центральной при решении многих задач в области искусственного интеллекта, связанных с интеллектуальным анализом и обработкой темпоральных данных. На пути ее решения наметилось два принципиально отличающихся друг от друга направления, зависящих от двух разных подходов к представлению времени в моделях знаний.

Первое традиционное направление заключается в явном представлении времени путем ассоциации порядка следования событий в темпоральном образе с вектором упорядоченных во времени событий. Данный подход используется в большинстве известных на сегодня моделей представления темпоральных знаний на основе точечных или интервальных отношений. Несмотря на его распространенность, подход, основанный на явном представления времени, обладает рядом недостатков, связанных с использованием пространственной метафоры для времени. Во-первых, это необходимость буферизации входа модели, что влечет за собой проблему выбора размерности буфера, который для многих задач априори установить невозможно. Во-вторых, необходимость буферизации времени накладывает жесткие ограничения на продолжительность темпоральных образов, обусловленные конечными размерами временного буфера. И, в-третьих, темпоральные образы, хранящиеся во временном буфере, являются чувствительными к относительным смещениям во времени, что усложняет процедуры сравнения и обработки темпоральных данных при наличии абсолютных смещений. Названные недостатки усложняют процедуры выявления темпоральных знаний и обуславливают необходимость поиска новых подходов к представлению времени с более богатыми возможностями и лишенными указанных недостатков.

Таким новым направлением является подход, основанный на идеи неявного представления времени через эффект, который оно оказывает на процесс обработки темпоральных данных. Этот подход подразумевает придание модели представления динамических свойств, зависящих от темпоральных воздействий. Типичным представителем такого класса моделей являются дифференциальные уравнения. Однако, обладая замечательными свойствами описывать сложную динамику нелинейных процессов, они плохо приспособлены для выявления особенностей этой динамики непосредственно из данных в форме правил в силу слабой интерпретационной пригодности дифференциальных уравнений. Кроме того, математические модели на основе дифференциальных уравнений теряют свои преимущества при работе со слабо структурированными временными данными в условиях априорной нехватки информации или, когда ее значительная часть доступна лишь в виде экспертно-эвристических описаний. Новый развивающийся класс коннекционистских моделей представления темпоральных знаний на основе специального вида рекуррентных нейронных сетей (RNN) с контекстными слоями нейронов [1,2] оказывается лишенным отмеченных недостатков. Контекстный слой в таких моделях придает им кратковременную память, которой, как оказывается, достаточно для представления образов с неограниченными темпоральными размерами. Доказательная база под этот факт впервые была подведена в работке [3], где было предложено использовать RNN с дополнительным контекстным слоем нейронов в качестве средства для осуществления темпоральных обобщений, а затем эта идея была существенно развита в работах Д. Элмана [4].

В настоящей статье рассматривается новый класс нечетких коннекционистских моделей в качестве средства для извлечения темпоральных знаний из временных баз данных.