Core Concepts
경사 하강법을 사용하여 블랙보드 아키텍처 시스템의 규칙-사실 네트워크를 최적화하여 시스템의 정확성과 설명 가능성을 향상시킬 수 있다.
Abstract
이 논문은 기존의 방어형 전문가 시스템에 블랙보드 아키텍처의 실행 기능을 추가하고, 경사 하강법을 사용하여 규칙-사실 네트워크를 최적화하는 방법을 제안한다.
주요 내용은 다음과 같다:
규칙-사실 네트워크 구조: 사실은 0과 1 사이의 값을 가지며, 규칙은 두 개의 입력 사실과 하나의 출력 사실을 연결한다. 각 규칙에는 입력 사실에 대한 가중치가 있다.
네트워크 실행: 시작 사실부터 시작하여 연결된 규칙을 순차적으로 실행하여 최종 사실의 값을 계산한다.
네트워크 학습: 시작 사실과 목표 사실을 지정하고, 경사 하강법을 사용하여 중간 사실들의 가중치를 조정하여 출력 사실의 값을 목표 값에 가깝게 만든다.
실험 결과: 네트워크 크기, 학습 반복 횟수, 학습 속도, 활성화 함수 등의 변화에 따른 시스템 성능 변화를 분석하였다. 학습 속도와 반복 횟수 증가, 활성화 함수 사용 등이 성능 향상에 도움이 되는 것으로 나타났다.
Stats
규칙 개수가 증가할수록 시스템 실행 시간이 기하급수적으로 증가한다.
사실 개수가 증가할수록 초기 오차가 증가하다가 감소하는 경향을 보인다.
액션 개수가 증가할수록 오차가 증가한다.
학습 반복 횟수가 증가할수록 오차가 감소하지만, 과도한 학습은 오히려 성능을 저하시킬 수 있다.
학습 속도가 증가할수록 오차가 감소한다.
활성화 함수의 임계값 범위를 적절히 설정하면 오차를 줄일 수 있다.
Quotes
"경사 하강법을 사용하여 블랙보드 아키텍처 시스템의 규칙-사실 네트워크를 최적화하여 시스템의 정확성과 설명 가능성을 향상시킬 수 있다."
"학습 속도와 반복 횟수 증가, 활성화 함수 사용 등이 성능 향상에 도움이 되는 것으로 나타났다."