详细内容或原文请订阅后点击阅览
神经网络如何学习自己的欺诈规则：神经符号人工智能实验
大多数神经符号系统都会注入人类编写的规则。但如果神经网络本身能够发现这些规则呢？在本实验中，我使用可微规则学习模块扩展了混合神经网络，该模块在训练期间自动提取 IF-THEN 欺诈规则。在 Kaggle 信用卡欺诈数据集（欺诈率为 0.17%）上，该模型学习了可解释的规则，例如：神经网络如何学习其自己的欺诈规则：神经符号 AI 实验首先出现在《走向数据科学》上。
来源:走向数据科学系统注入人类编写的规则。但如果神经网络能够自己发现这些规则呢？
在本实验中，我使用可微规则学习模块扩展了混合神经网络，该模块在训练期间自动提取 IF-THEN 欺诈规则。在 Kaggle 信用卡欺诈数据集（欺诈率为 0.17%）上，模型学习了可解释的规则，例如：
IF V14 < −1.5σ AND V4 > +0.5σ → 欺诈
其中 σ 表示归一化后的特征标准差。
规则学习器实现了 ROC-AUC 0.933 ± 0.029，同时保持神经网络预测 99.3% 的保真度。
最有趣的是，该模型独立地重新发现了 V14——分析师长期以来都知道该功能与欺诈密切相关——而没有被告知要寻找它。
本文提出了一个可重复的神经符号人工智能实验，展示了神经网络如何直接从数据中发现可解释的欺诈规则。
完整代码：github.com/Emmimal/neuro-symbolic-ai-fraud-pytorch
模型发现了什么
在架构、损失函数或任何训练细节之前 - 这是另一端出现的内容。
经过最多 80 个 epoch 的训练（早期停止，大多数种子在 56-78 epoch 之间收敛），规则学习者在规则清晰出现的两个种子中产生了这些：
种子 42 — 最干净的规则（5 个条件，conf=0.95）
学习欺诈规则 - 种子 42 · 规则从未手动编码
IF V14 < −1.5σ
且 V4 > +0.5σ
且 V12 < −0.9σ
且 V11 > +0.5σ
且 V10 < −0.8σ
然后是欺诈
种子 7——互补规则（8 个条件，conf=0.74）