Yet Another Optimization of the Combinatorial Neural model
Rafael Noivo (1), Hercules Antonio do Prado (2), Marcelo Ladeira (3)
e-mails: rafael.moraes.noivo@accenture.com, hercules@cpac.embrapa.br, hercules@ucb.br, mladeira@cic.unb.br
(1) Acnenture Inc. Dept. of Services Brasília Brasil
(2) Brasilian Enterprise for Agricultural Research, Embrapa Cerrados Catholic University o Brasília - Graduate Program in Knowledge an TI Management Brasília Brasil
(3) University of Brasilia - Computer Sciencie Departament Brasília Brasil
Combinatorial Neural Model (CNM) is a classification model
that combines both symbolic and connectionist learning
approaches. This model is able to recognize regularities
from high-dimensional symbolic data, performing mappings
from this input space to a set of classes. Due to its hybrid
nature, it is possible to extract symbolic relations
directly from CNM structure, making it a model of choice for
applications that require the rule explicitation. However,
this model presents an important drawback: the combinatorial
explosion that occurs in its intermediate layer when
building the network. To mitigate this problem, CNM has
received many modifications that include parallel
implementation and relaxation in the building algorithm. In
this paper we describe a new improvement over its
architecture that leads to an expressive reduction in the
intermediate layer. The model was implemented in the
UnBMiner framework that provides a large amount of classes
for model and data manipulation. An application was
developed in the dactiloscopy recognition domain in order to
evidentiate the advantages of our proposal. The space used
by our proposal was compared with the usual implementation,
having the practical results made clear the gain achieved.
O Modelo Neural Combinatório (CNM) é um modelo de classificação
que combina as abordagens de aprendizado simbólica e conexionista.
O modelo é capaz de reconhecer regularidades em dados
multidimensionais, realizando mapeamentos entre o seu espaço de
entrada e um conjunto de classes. Devido à sua natureza híbrida, é
possível se extrair relações simbólicas da estrutura do CNM, o que
o torna um modelo interessante para aplicações que requeiram a
explicitação de regras. Entretanto, o modelo apresenta uma
deficiência importante: a explosão combinatória que ocorre em sua
camada intermediária na fase de construção da rede. Para reduzir
este problema, o CNM tem recebido diversas modificações que
incluem implementações paralelas e relaxamentos no algoritmo de
construção. Descrevemos neste artigo uma modificação em sua
arquitetura que leva a uma expressiva redução no tamanho da camada
intermediária. O modelo foi implementado na plataforma UnBMiner
que provê uma grande quantidade de classes para manipulação de
dados e modelagem. Uma aplicação no domínio da identificação
datiloscópica foi desenvolvida de modo a evidenciar as vantagens
da nossa proposta. O requisito de espaço utilizado pela presente
proposta foi comparado com a implementação usual e os mesmos
resultados práticos obtidos tornaram claros os ganhos alcançados.
Keywords:Data Mining, Neural Networks, Combinatorial Neural Model, Dactiloscopy Recognition
Palabras Clave/Palavras Chave: Mineração de Dados, Redes Neurais, Modelo Neural Combinatório, Identificação Datiloscópica
BibTex
@INPROCEEDINGS{noivo04:222,
AUTHOR = {Rafael Noivo and Hercules Antonio do Prado and Marcelo Ladeira},
TITLE = {Yet Another Optimization of the Combinatorial Neural model},
BOOKTITLE = {30ma Conferencia Latinoamericana de Informática (CLEI2004)},
YEAR = {2004},
editor = {Mauricio Solar and David Fernández-Baca and Ernesto Cuadros-Vargas},
pages = {706--711},
address = {},
month = Sep,
organization = {Sociedad Peruana de Computación},
note = {ISBN 9972-9876-2-0},
file = {http://clei2004.spc.org.pe/es/html/pdfs/222.pdf}
}
PDF de este artículo
PDF de CLEI2004 (incluye todos los artículos)
Página principal CLEI 2004
Generado por Sociedad Peruana de Computación