Метод Групового Урахування Аргументів
застосовується у самих різноманітних областях для аналізу даних та знаходження знань, прогнозування і моделювання систем, оптимізації і розпізнавання образів. Індуктивні алгоритми МГУА дають унікальну можливість автоматично знаходити взаємозалежності у даних, вибрати оптимальну структуру моделі чи мережі, підвищувати точність існуючих алгоритмів.
Цей підхід самоорганізації моделей принципово відрізняеться від дедуктивних методів, що звичайно використовуються. Він заснований на індуктивних
принципах - вирішення задач засновано на переборі по зовнішньому критерію.
За допомогою перебору різних розв'язань методи індуктивного моделювання намагаються мінімізувати роль припущень автора у результатах моделювання. Компьютер сам знаходить структуру моделі і закони, що діють в об'екті. Він може бути використаний при створенні штучного інтелекту як радник для вирішення суперечок та прийнятті рішень.
Метод Групового Урахування Аргументів складається з декількох алгоритмів для вирішення різних задач. В нього входять як параметричні, так і алгоритми кластеризації, комплексування аналогів, ребінаризації та ймовірностні алгоритми. Цей підхід самоорганізації заснований на переборі моделей, що поступово ускладнюються та на виборі найкращого розв'язку згідно з мінімумом зовнішнього критерія. В якості базисних моделей використовуються не тільки поліноми, але й також нелінійні, ймовірностні функції чи кластеризації.
МГУА може бути користним тому що:
- Знаходиться оптимальна складність структури моделі, адекватна до рівня завад у вибірці даних. (Для вирішення реальних проблем з зашумленими чи обмежиними даними, спрощені прогнозуючі моделі є більш точними.)
- Кількість шарів і нейронів у схованих шарах, структура і інщі оптимальні параметри нейромереж знаходяться автоматично.
- Гарантується знаходження найбільш точної чи незміщеної моделі - метод не пропускає найкращого рішення під час перебору всіх варіантів (у заданному класі функцій)
- Будь-які нелінійні функції чи ознаки, що можуть мати вплив на вихідну змінну використовуються як вхідні аргументи
- Автоматично знаходить інтерпретуємі взаємозв'язки у даних і обираються ефективні вхідні змінні
- Переборні алгоритми МГУА досить просто запрограмувати
- Мережі МГУА використовуються для підвищення точності інших алгоритмів моделювання
- Метод використовує інформацію безпосередньо з вибірки даних і мінімізує вплив апріорних припущень автора про результати моделювання
- Дає можливість знаходження незміщенної фізичної моделі об'єкта (закону чи кластеризації) - однієй і тої ж для всіх майбутніх вибірок.
З 1968 року багато досліджень та застосувань МГУА було проведено у багатьох країнах. Він був використаний у багатьох комерційних програмних продуктах. |