@techreport{Schmitt2024, author = {Schmitt, Ingo}, title = {ANN-Partitionen und CQQL-Ausdr{\"u}cke}, doi = {10.26127/BTUOpen-6606}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:co1-opus4-66069}, year = {2024}, abstract = {Gegeben sei f{\"u}r ein bin{\"a}res Klassifikationsproblem ein k{\"u}nstliches, neuronales Netzwerk ann bestehend aus ReLUKnoten und linearen Schichten (convolution, pooling, fully connected). Das Netzwerk ann sei mit hinreichender Genauigkeit an Hand von Trainingsdaten trainiert. Wir werden zeigen, dass ein solches Netzwerk in verschiedene Partitionen des Eingaberaums zerlegt werden kann, wobei jede Partition eine lineare Abbildung der Eingabewerte auf einen klassifizierenden Ausgabewert repr{\"a}sentiert. Im Weiteren gehen wir von einem einfachen Netzwerk ann aus, bei dem die Eingangswerte Mintermen von Attributwerten entsprechen. Einfach ist ein Netzwerk, wenn es f{\"u}r eine geringe Anzahl von Attributen trainiert wurde und die Anzahl der ReLU-Knoten ebenfalls gering ist. In der Arbeit wird gezeigt, dass jede lineare Partition durch einen CQQL-Ausdruck beschrieben werden kann. Ein CQQL-Ausdruck l{\"a}sst sich mit Hilfe von Quantenlogik-inspirierten Entscheidungsb{\"a}umen beschreiben.}, subject = {Quantum logic; Artificial neural networks; Quantenlogik; K{\"u}nstliche neuronale Netze; Neuronales Netz; Quantenlogik}, language = {de} }