CARENNET-Εξαγωγή κανόνων αιτιότητας απο νευρωνικά δίκτυα

Η χρησιμότητα και η διάδοση των νευρωνικών δικτύων σήμερα θεωρείται δεδομένη. Πρόκειται για μηχανισμούς που μπορεί να χρησιμοποιηθούν, μεταξύ άλλων, και ως μηχανές λήψης αποφάσεων. Ωστόσο, ο τρόπος με τον οποίο ένα νευρωνικό δίκτυο μπορεί να λάβει αποφάσεις παραμένει ένα «μαύρο κουτί» αγνοώντας ουσιαστικά τη μαθηματική λογική. Το χαρακτηριστικό αυτό αποτελεί μειονέκτημα και λόγο αποφυγής χρήσης των νευρωνικών δικτύων σε κάποιους κρίσιμους τομείς, επειδή δεν επιτρέπει στους χρήστες να ελέγξουν τη λογική με την οποία ένα νευρωνικό δίκτυο κατέληξε να λάβει συγκεκριμένες αποφάσεις.
Στο πλαίσιο της παρούσας μεταπτυχιακής διατριβής αναπτύχθηκε και εφαρμόστηκε, με την υλοποίηση του αντίστοιχου λογισμικού, η πειραματική διαδικασία CARENNET (Causal Rules Extraction from Neural Networks) για να διερευνηθεί η επίδραση συγκεκριμένων παραμέτρων, καθώς και νέων τεχνικών στην κατασκευή ποιοτικών νευρωνικών δικτύων συγκεκριμένης δομής, στην εξαγωγή ποιοτικών κανόνων αιτιότητας από αυτά, καθώς και στη σχέση της ποιότητας μεταξύ των δύο.
Από τα αποτελέσματα φάνηκε ότι η ποιότητα των εξαγόμενων ομάδων κανόνων αιτιότητας είναι άμεσα συνδεδεμένη με αυτήν των νευρωνικών δικτύων από τα οποία προκύπτουν, καθώς και ότι η ποιότητα των νευρωνικών δικτύων είναι αντιστρόφως ανάλογη του αριθμού των στοιβάδων που αυτά χρησιμοποιούν. Κάποιες από τις πρωτοδοκιμαζόμενες τεχνικές φάνηκε πως δεν έχουν να προσφέρουν κάτι ιδιαίτερο για το συγκεκριμένο σκοπό, ενώ η χρήση κόμβων ανά τιμή δυαδικών μεταβλητών φάνηκε να επηρεάζει θετικά την ποιότητα των νευρωνικών δικτύων.