基于规则的思考方法

 

规则是高级思维的基础

 

高层意识以规则为基础。这些规则表达了当前处于的节点，以及根据输入情况应该跳转到哪个下节点。这些规则可以认为是一个复杂的图网络，在图中进行搜索的过程称之为思索，而筛选出的路径就是思路。思路是一个链式结构。

我们可以先认为这些规则是静态的，并且是可以教授出来的，那么我们的核心并不是学习这些规则，而是把静态的预先设定的规则与实际变化多样的输入相连接的问题，也就是适配层问题。这些静态的定制化规则也有可能是从实际中逐渐学习和锻炼出来的。高层规则本身是一个柔性系统，它能适配灵活多变的输入，进行可塑性调整，因此高层也具有灵活性和不确定性。这点与计算机程序非常不一样。但是这个学习和提炼的过程实际上是非常漫长且不确定的。因此，我们不妨定制一些静态规则，这些规则可以预编译的，可以是教科书教条似的，但是如何让这些静态规则适用于非常灵活的输入，是其关键所在。

感知到的信息和高层规则之间缺乏协同工作机制，这个机制是说如何让输入的感知被认为是高层中对应节点的信息。因此引入了映射层。映射层可以将非常灵活的输入与固定的规则相连接，并且可以快速实时更改。我们可以采用短时记忆机制实现，短时记忆可以有效的对规则进行重定义和重连接。规则连接层也具有信息筛选作用，它根据高层需要，滤除不需要的信息，将输入信息结构化，实现信息的有效筛选和适配。

主体意识是一种由节点组成的链条，这个链条中的节点（状态）可以接受外界的输入并决定下一步应该跳转到哪个状态，跳转规则是输入的函数。链条是从一个复杂的图中最终决定出来的通路。

高层规则对输入信息具有筛选作用，包括信息的重要性判断与选择性接收，选择性记忆。另外，基于意识，通过集中控制，每个时间只做一个思考过程，可有效屏蔽外界干扰。

 

图１. 抽象规则与非结构化输入信息的关系

 

思考的定义

基于规则，我们可以实现的＂思考＂包括以下几个方面。

逻辑推理：可以支持多步的逻辑推理和规则推理

抽象与映射：将各种自然非结构化输入转换为抽象的结构化的表达，相应的，将推理后的结果映射到具体事物

逻辑的可学习性：逻辑规则可以学习，最初通过组合旧的规则形成新的规则，之后逐渐强化新的规则。

预测－验证机制与意外：主动寻找可以验证主观判断的客观事物，预测并验证是否符合预测，当接收到意外时，主动放弃预测过程并转向如何处理意外。

 

基于经验的串行的工作机制

例：类脑图像识别与深度学习、计算机图像识别的区别

计算机的图像识别采用特定的分立规则对图像进行适配，规则独立存储。

ANN网络就是一个采用同一个记忆体（多层CNN）存储多个非相关信息（如1000分类）的系统，通过大规模训练实现。而基于经验的串行识别方法需要先假定预期判别事物的类型，并从长期记忆中提取这个类型所需的特征到短期记忆，再放入特征适配器进行识别。这样做可以有效处理超大规模记忆，在超大数据样本下确定分类。而传统CNN通过并行全部运算所有类比的方式，只能实现千级别的分类。

图２. 提出的图像分类方法

 

基于预测－验证机制的物体识别过程

人在识别物体的时候是通过先猜测，之后收集图像中的特征来验证自己的猜测。猜测往往依靠的是以前接收到的特征和推理规则决定的。

检测：基于线索（筛选的输入特征）和状态，取出一个经验，代表当前的“预测”。比较当前输入和“预测”之间的相似性，并且确定线索是否与预测保持一致。 收集足够的线索来证明预测结果后，就会做出决定。如果没有收集到足够的线索，或者线索与预测相矛盾，目前的线索就会转移。

简要描述为：

Prediction(t) = Guess(Feature(t-k,k=1...N), InferenceRuleChain)

ValidateProb(t) = Consistent(Prediction(t), Feature(t))

InferenceRuleChain = Branch1 when ValidateProb(t)> thrd. else Brance 2

FinalDecision = Conclusion(ValidateProb(t+k, k = 1 ... N))

 

在图像识别时，深度学习方法无法有效的利用帧间信息，无法有效利用周边环境暗示，导致判别不稳定不准确。而由于猜测可以有效利用线索链，使得环境上下文，推理等部分可以有效的加入到图像识别的过程。

 

规则的学习

由于学习的渐进性，规则需要有不断适应新环境的要求，以及创造新规则的可能性。为了达到这两点，定义了六个更新方法：

ａ拼接：将两个规则链首尾连接到一起，形成一个更长的规则链；

ｂ局部修正：根据环境的改变，对一个规则链的一部分进行更新；

ｃ合并：对两个或多个非常相近的规则链按照使用频率合并成一个新规则链

ｄ捷径：对经常使用的规则，通过捷径实现跳步；

ｅ选择分支：根据输入不同，选择不同的下一个状态；

ｆ将原有规则拆分成若干个小规则独立使用；

这些更新方法可以组合。

图3. 规则的更新

 

人往往学习新规则时，通过局部修正形成一个规则支路，根据输入的不同可以选择原规则还是新的（支路）规则，如果新规则不被经常使用，则可能会合并到原规则中。否则，新规则连接会越来越强，原规则会越来越弱，从而实现了新规则代替旧规则。

 

如果两个规则都会被经常调用，且触发逻辑不同，则会自动建立选择机制。如果两个规则都被调用但触发逻辑相同，则会产生犹豫逻辑（会调用更多的附加规则解除犹豫）。如果两个规则非常像，则随着时间改变会被归并为一个规则。

 

如果一个规则经常被使用，且只有某些步骤是有输出的，那么中间的不产生输出的步骤可以被跳过，这时会有捷径跳过中间的步骤。

 

规则具有可拆解性，即一个复杂的规则链可以拆分成几个简单的规则链。

 

在进行规则推理时，短期记忆会根据时间顺序保留若干推理节点，如果推理失败，则可以从推理节点重新推理。尤其对于具有分支的节点，经常会被保留，这样推理失败会使此分支的信任度下降，使得下次推理时可以绕开不成功的节点。