Refine
Document Type
- Report (1)
Has Fulltext
- yes (1)
Is part of the Bibliography
- no (1)
Year of publication
- 2024 (1)
Language
- German (1)
Keywords
- Quantum logic (1) (remove)
Institute
Gegeben sei für ein binäres Klassifikationsproblem ein künstliches, 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 repräsentiert. Im Weiteren gehen wir von einem einfachen Netzwerk ann aus, bei dem die Eingangswerte Mintermen von Attributwerten entsprechen. Einfach ist ein Netzwerk, wenn es für 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 lässt sich mit Hilfe von Quantenlogik-inspirierten Entscheidungsbäumen beschreiben.