Neurale Netze erklärt: ILASP approximiert Präferenzmodelle

Ein neues Forschungsprojekt zeigt, wie man komplexe neuronale Netze (NN) in der Präferenzlern‑Forschung verständlich machen kann. Dabei wird die Technik des Lernens aus Antwortsets – konkret ILASP (Induktives Lernen von Antwortset‑Programmen) – eingesetzt, um die Funktionsweise von Black‑Box‑Modellen nachzubilden.

Die Autoren haben einen Datensatz mit Nutzerpräferenzen zu einer Auswahl von Rezepten erstellt. Auf Basis dieser Daten wurden neuronale Netze trainiert, die die Vorlieben der Nutzer vorhersagen. Anschließend wurden die NNs mit ILASP approximiert, sodass die Entscheidungslogik in Form von Antwortset‑Programmen dargestellt wird.

Die Experimente untersuchen ILASP sowohl als globales als auch als lokales Approximationstool. Dabei wird die Herausforderung adressiert, NNs mit immer höher dimensionalen Feature‑Spaces zu erklären, ohne die Genauigkeit zu verlieren und die Rechenzeit unverhältnismäßig zu erhöhen.

Um die Komplexität zu reduzieren, wird ein Vorverarbeitungsschritt mit Hauptkomponentenanalyse (PCA) eingesetzt. Dieser verringert die Dimensionalität des Datensatzes, während die Erklärungen transparent bleiben und die Modelltreue erhalten bleibt.

Das Ergebnis ist ein Ansatz, der die Vorhersagen von neuronalen Netzen in nachvollziehbare logische Regeln übersetzt und damit die Interpretierbarkeit von Präferenzmodellen deutlich verbessert. Der Beitrag steht derzeit zur Veröffentlichung im Journal Theorie und Praxis der Logikprogrammierung (TPLP) in Betracht.