Abfragebasiertes Lernen angewendet auf teilweise trainierte mehrschichtige Perzeptronen

Ein Ansatz für abfragebasiertes Lernen mit neuronalen Netzwerken wird vorgestellt. Ein mehrschichtiges Perzeptron, das teilweise für die binäre Klassifikation trainiert wurde, wird betrachtet. Das Einzel-Ausgang-Neuron wird darauf trainiert, entweder null oder eins zu sein. Eine Testentscheidung wird getroffen, indem der Ausgang beispielsweise auf einen halben Wert geschwankt wird. Die Menge der Eingaben, die einen Ausgang von einem halben Wert erzeugen, bildet die Klassifikationsgrenze. Die Autoren haben einen Inversionsalgorithmus für das neuronale Netzwerk übernommen, der die Generierung dieser Grenze ermöglicht. Für jeden Grenzpunkt kann der Klassifikationsgradient generiert werden. Der Gradient liefert ein nützliches Maß für die Steilheit der mehrdimensionalen Entscheidungsflächen. Konjugierte Eingabepaarungen werden unter Verwendung der Grenzpunkt- und Gradientinformation erzeugt und einem Oracle zur ordnungsgemäßen Klassifikation präsentiert. Diese Daten werden genutzt, um die Klassifikationsgrenze weiter zu verfeinern und damit die Klassifikationsgenauigkeit zu erhöhen. Das Ergebnis kann eine signifikante Reduzierung der Kardinalität des Trainingssatzes im Vergleich zu beispielsweise zufällig erzeugten Datenpunkten sein. Ein Anwendungsbeispiel zur Bewertung der Sicherheit von Energiesystemen wird gegeben.