Key points are not available for this paper at this time.
À ce jour, la prépondérance des techniques d'extraction des connaissances intégrées dans les réseaux de neurones artificiels entraînés (ANN) s'est principalement concentrée sur l'extraction d'explications basées sur des règles à partir des ANN feedforward. La taxonomie ADT pour catégoriser ces techniques a été proposée en 1995 pour fournir une base pour la comparaison systématique des différentes approches. Cet article montre que cette taxonomie est non seulement applicable à un échantillon des techniques actuelles d'extraction de règles à partir des ANN feedforward entraînés, mais aussi comment la taxonomie peut être adaptée et étendue pour embrasser un plus large éventail de types d'ANN (par exemple, les réseaux de neurones récurrents) et de structures d'explication. En outre, l'article identifie certaines des questions de recherche clés dans l'extraction des connaissances intégrées au sein des ANN, y compris la nécessité de formuler une base théorique cohérente pour ce qui a été, jusqu'à récemment, une collection disparate de résultats empiriques.
Tickle et al. (Thu,) ont étudié cette question.