Apprentissage des règles explicites dans un réseau de neurones

Les auteurs proposent une architecture appelée RuleNet, qui, sur la base de la connaissance du domaine de tâche, permet l'extraction de règles symboliques condition-action à partir des forces de connexion dans un réseau de neurones. En exploitant les contraintes inhérentes au domaine des mappages symboliques de chaînes à chaînes, RuleNet peut apprendre à induire des règles symboliques condition-action explicites à partir d'exemples. Ces règles représentent un puissant langage de représentation permettant de décrire le fonctionnement interne d'un réseau. De plus, elles favorisent un apprentissage plus rapide et se généralisent parfaitement à d'autres exemples qui suivent les règles. Cette tâche formelle de manipulation de chaînes peut être considérée comme une abstraction de plusieurs modèles cognitifs intéressants dans la littérature connexionniste, tels que l'attribution de rôles de cas ou la traduction de textes anglais en symboles phonétiques.