Автоматизированный синтез когнитивной модели на основе анализа больших данных и глубокого обучения

Райков

Аннотация


Когнитивное моделирование позволяет учитывать одновременно денотативные (формализованные, вещные) и сигнификативные (когнитивные, мыслительные, эмоциональные) семантики. Такое моделирование позволяет уникальным образом, достаточно быстро и всесторонне отразить особенности возникшей проблемы, поддержать принятие правильного решения. Для обеспечения целостности когнитивной модели, учета наиболее полного объема информации, ускорения моделирования и роста его адекватности в настоящей работе предлагается проводить автоматическую верификацию (проверку) когнитивной модели на основе анализа Больших Данных. Также рассматривается возможность осуществлять автоматизированный синтез когнитивных моделей. В работе применяются методы глубокого обучения, теории категорий, а также авторский конвергентный подход к управлению и поддержке решений. Экспериментально показаны достаточно высокие показатели качества глубокого обучения и точности автоматического распознавания элементов когнитивных моделей (93%), что может служить весомой гарантией плодотворности предлагаемых решений. Предлагаются направления перспективных исследований, в частности, охватывающие методы квантовых семантик.

Ключевые слова


большие данные; глубокое обучение; квантовая семантика; когнитивное моделирование; конвергентный подход

Полный текст:

PDF

Ссылки

  • На текущий момент ссылки отсутствуют.