适应噪声环境的解释学习算法

在现实世界里，ＡＩ系统难免受到噪声的影响．系统有效工作与否取决于它对噪声的敏感性如何．解释学习ＥＢＬ（ｅｘｐｌａｎａｔｉｏｎ－ｂａｓｅｄｌｅａｒｎｉｎｇ）也不例外．本文探讨了在例子受到噪声影响的情况下，解释学习的处理问题，提出了一个算法ＮＲ－ＥＢＬ（ｎｏｉｓｅ－ｒｅｓｉｓｔａｎｔＥＢＬ）．与现有的解释学习方法不同，ＮＲ－ＥＢＬ在训练例子含有噪声时仍然可以学习，以掌握实际的问题分布；和类似的工作不同，ＮＲ－ＥＢＬ指出了正确识别概念对于噪声规律的依赖性，试图从训练例子集合发现和掌握噪声的规律．可以相信，在识别概念时，借助于对噪声规律的认识，ＮＲ－ＥＢＬ可比ＥＢＬ和类似工作有更高的识别率．ＮＲ－ＥＢＬ是解释学习和统计模式识别思想的结合．它把现有的解释学习模型推广到例子含有噪声的情形，原来的ＥＢＬ算法只是它的特例