Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
Ðа пÑÐ°Ð²Ð°Ñ ÑÑкопиÑи
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
требуется понимание лежащих в их основе физико-химических и биологических<br />
явлений.<br />
Действительно, наборы весовых коэффициентов нейросетей не могут<br />
быть непосредственно использованы для интерпретации нейросетевых моделей,<br />
поскольку их числовые значения, как правило, меняются при перестроении<br />
последних и сильно зависят от особенностей архитектуры нейросетей, например,<br />
от числа скрытых нейронов. Все это препятствует их непосредственному<br />
использованию для описания моделей «структура-свойство» и «структураактивность»<br />
на содержательном уровне.<br />
Следует отметить, что задача интерпретации нейросетевых моделей осознана<br />
специалистами в области искусственного интеллекта и частично решена<br />
для случая бинарных нейросетей (в которых сигналы на входах и выходах принимают<br />
только бинарные значения 0 и 1), для которых разработаны специальные<br />
методики извлечения явных правил (типа если..., то...) из нейросетевых моделей<br />
[16, 345-348], а также технология «вербализации», позволяющая в автоматическом<br />
режиме давать словесное описание таким моделям [349]. Тем не<br />
менее, проблема все еще оставалась неразрешенной для нейросетей с непрерывными<br />
выходами, а именно такие нейросети используются для построения<br />
количественных моделей «структура-свойство» и «структура-активность».<br />
Единственным из применимых для этого случая подходов является т.н. анализ<br />
«чувствительности» (sensitivity analysis), позволяющий определять относительную<br />
важность входов нейросетей путем сравнения ошибок прогнозирования<br />
исходной нейросети с ошибками прогнозирования обученных на этих же данных<br />
других нейросетей, получаемых из исходной путем удаления по одному<br />
каждого из входных нейронов [350]. В этом случае величина возрастания<br />
ошибки при удалении входного нейрона определяет его важность (следовательно,<br />
и важность соответствующего дескриптора при построении нейросетевых<br />
моделей «структура-свойство» и «структура-активность»). Хотя такая характеристика<br />
действительно очень важна, однако ее информативность явно уступает<br />
тому, что дают методы статистического анализа (например, множественная<br />
линейная регрессия, метод частичных наименьших квадратов и др.).<br />
120