روش تازه برای ترکیب پاسخ‌های مرتبطِ متخصصان در سامانه‌های هوش مصنوعی نمادین‌عصبی

پژوهشگران در پیش‌چاپی در arXiv روشی برای ترکیب دانش چند متخصص در سامانه‌های نمادین‌عصبی معرفی کرده‌اند. هدف، استفاده از پاسخ‌هایی است که برای پرسش مشخص هم ارزش استدلالی دارند و هم به موضوع مربوط‌اند؛ معیاری که نویسندگان آن را از نظریهٔ ادله در حقوق گرفته‌اند.

این روش روی «نقشه‌های شناختی فازیِ بازخوردی» (FCM) اعمال می‌شود؛ مدل‌هایی که روابط علّی و بازخوردهای میان مفاهیم را به شکل گراف جهت‌دار نمایش می‌دهند. پژوهشگران ابتدا نقشه‌های متخصصان انسانی یا مصنوعی را در یک شبکهٔ مشترک ترکیب می‌کنند، سپس پیش‌بینی‌های چرخهٔ حدیِ هر متخصص را با پاسخ شبکهٔ ترکیبی مقایسه می‌کنند تا ارزش استدلالی پاسخ‌ها را برآورد کنند.

قضیه‌ای تازه و شبیه به قضیهٔ بیز، شبکهٔ ترکیبی را به FCMهای متناظر با هر منبع دانش تفکیک می‌کند. بر پایهٔ این مقایسه‌ها، روش وزن‌های ترکیب را تعیین می‌کند و شبکه‌ای می‌سازد که میزان مشارکت هر متخصص در آن به پرسش بستگی دارد؛ بنابراین، پرسش‌های متفاوت می‌توانند شبکه‌های متفاوتی تولید کنند.

نویسندگان رویکرد را با FCMهای مصنوعیِ ساخته‌شده از یک نقشهٔ ۱۳‌گرهی واقعی دربارهٔ علت‌ها و بازخوردهای خطر سکتهٔ ایسکمیک نمایش داده‌اند. مقاله در arXiv منتشر شده و پیش‌چاپ است.