6. Bố cục của luận án
2.2. Vai trò của tri thức tiên nghiệm trong học mơ hình mờ
2.2.2. Học dựa trên sự thích hợp (RBL)
Theo kịch bản học này, tri thức tiên nghiệm sẽ kết hợp với những quan sát thực nghiệm để cho phép máy học có thể rút ra những qui tắc mới giải thích cho các thực nghiệm trên. Hình 2.2 biểu diễn kịch bản học RBL. Cụ thể trong [71] kịch bản học RBL được mô tả như sau:
𝐵𝑎𝑐𝑘𝑔𝑟𝑜𝑢𝑛𝑑 ˄ 𝐷𝑒𝑠𝑐𝑟𝑖𝑝𝑡𝑖𝑜𝑛𝑠 ˄ 𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑜𝑛𝑠 ╞ 𝐻𝑦𝑝𝑜𝑡ℎ𝑒𝑠𝑖𝑠 𝐻𝑦𝑝𝑜𝑡ℎ𝑒𝑠𝑖𝑠 ˄ 𝐷𝑒𝑠𝑐𝑟𝑖𝑝𝑡𝑖𝑜𝑛𝑠╞ 𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑖𝑜𝑛𝑠
Xét một ví dụ học trong thực tế như sau: Một khách du lịch đến Brazil, khi bắt gặp người Brazil đầu tiên, tên là Ronaldo, nói tiếng Tây ban nha, ngay lập tức vị khách rút ra kết luận là “Người Barzil nói tiếng Tây ban nha”. Kết luận tương tự cũng chắc chắn được rút ra ngay cả đối với những vị khách hồn tồn khơng có kiến thức về thuộc địa. Tuy nhiên, vị khách hồn tồn khơng có kết luận là “Người Brazil có tên là Ronaldo”. Trong trường hợp này, vị khách du lịch chỉ thu thập được một mẫu dữ liệu là một người Brazil nói tiếng Tây ban nha, tuy nhiên vị khách đã rút ra kết luận dựa trên tri thức có trước có liên quan trong trường hợp này là “Những người trong cùng một quốc gia thì nói chung một thứ tiếng”. Ngược lại, giả thuyết Ronaldo là tên của người Brazil thì khơng thể rút ra được, vì hồn tồn khơng có tri thức tiên nghiệm liên quan đến vấn đề tên riêng của người. Tri thức có trước trong trường hợp này của khách du lịch là tri thức có liên quan đến kết luận về tiếng nói của một cộng đồng người. Kịch bản học để trích xuất ra quy tắc về tiếng nói của người Brazil của khách du lịch trong trường hợp này chính là RBL.
Xét trong trường hợp học mơ hình mờ, kịch bản học EBL được mơ tả như sau (xem Hình 2.2):
Cho 𝐴 là tri thức có trước về một mơ hình mờ 𝑀. Việc học mơ hình mờ 𝑀 từ
tập dữ liệu quan sát 𝐷 = {(𝑥𝑖, 𝑦𝑖), 𝑥𝑖 ∈ 𝑋, 𝑦𝑖 ∈ 𝑌 } với 𝑋, 𝑌 ∈ 𝑅 và tri thức tiên
nghiệm 𝐴 được gọi là học theo kịch bản học RBL nếu thỏa mãn điều kiện sau:
((∀𝑥𝑖 ∈ 𝑋)(𝑀(𝑥𝑖) = 𝑦𝑖 ∈ 𝑌) .
Hình 2.2. Kịch bản học RBL
Theo phương pháp học này, đối với việc học mơ hình mờ thì việc sử dụng những tri thức liên quan về việc xác định cấu trúc mơ hình như số lượng biến đầu vào, số lượng quy tắc trong mơ hình, … hoặc các tri thức liên quan đến các thuộc tính về chức năng của mơ hình đề gia tăng độ vững chắc của mơ hình.
Trong mơi trường dữ liệu thu thập được bị nhiễu, tri thức tiên nghiệm có thể được tích hợp để gia cố mơ hình theo những cách sau:
- Bổ sung dữ liệu huấn luyện đúng: Một trong những vấn đề mấu chốt của các
phương pháp học dựa trên dữ liệu là dữ liệu thu thập được thiếu tính bao phủ, cũng có thể là do kích thước dữ liệu hạn chế. Một cách tự nhiên để vượt qua vấn đề này là sinh ra những dữ liệu đúng trong vùng thích hợp. Những dữ liệu bổ sung đó được xem như là những thơng tin liên quan để gia cố mơ hình. - Bổ sung những ràng buộc liên quan mà mơ hình phải đảm bảo: Các ràng
buộc liên quan được bổ sung để định rõ mơ hình phải tuân theo được xem là tri thức tiên nghiệm trong kịch bản học RBL. Chẳng hạn trong trường hợp mô
Tri thức tiên nghiệm
Hypothesis Kết quả dự đốn Dữ liệu
thu thập được
hình hóa các hệ thống điều khiển thì những ràng buộc liên quan như thời gian setting time, rise time, hay tính ổn định của mơ hình được xem là những tri thức tiên nghiệm trong trường hợp này.