Neues Verfahren: Symbolische Interpretation von ANN durch Triadische Konzeptanalyse

Ein neues Verfahren aus der Forschungsliteratur verspricht, die hohe Genauigkeit künstlicher neuronaler Netze (ANN) mit einer klaren, symbolischen Erklärung zu verbinden. Durch die Analyse einfacher ANN-Modelle, die auf Minterm-Werten trainiert wurden, wird ein Ansatz entwickelt, der die Komplexität von ReLU-basierten Netzwerken in verständliche Logikstrukturen überführt.

Der Schlüssel liegt in der Aufteilung des Netzwerks in Zellen, die auf den ReLU-Knoten basieren. Diese Zellen werden anschließend in einen dreidimensionalen Bit‑Tensor umgewandelt. Auf diesem Tensor wird die Theorie der Formalen Konzeptanalyse angewendet, wodurch Konzepte entstehen, die als logische Baumschemata dargestellt werden. Diese Baume zeigen die Interaktionen zwischen Attributen auf eine Weise, die für Menschen nachvollziehbar ist.

Die neu entwickelte symbolische Darstellung behält die Klassifikationsleistung des ursprünglichen ANN bei. Damit bietet das Verfahren eine vielversprechende Möglichkeit, die „Black‑Box“-Natur neuronaler Netze zu durchdringen und gleichzeitig die hohe Genauigkeit beizubehalten. Diese Kombination aus Interpretierbarkeit und Leistungsfähigkeit könnte insbesondere in Bereichen wie Medizin, Finanzen und anderen datenintensiven Feldern von großem Nutzen sein.