Heurisztikát is tartalmazó veszteségfüggvény

import torch

import torch.nn as nn

import torch.optim as optim

# 1. Hálózat definiálása

class XAINeuralNetwork(nn.Module):

    def __init__(self, input_size):

        super(XAINeuralNetwork, self).__init__()

        self.fc = nn.Sequential(

            nn.Linear(input_size, 16),

            nn.ReLU(),

            nn.Linear(16, 8),

            nn.ReLU(),

            nn.Linear(8, 1),

            nn.Sigmoid()

        )

    def forward(self, x):

        return self.fc(x)

# 2. Heurisztikát is tartalmazó veszteségfüggvény

def combined_loss(outputs, targets, inputs, lambda_heuristic=0.5):

    # Alapvető veszteség (pl. bináris keresztentrópia)

    criterion = nn.BCELoss()

    base_loss = criterion(outputs, targets)

    

    # MATEMATIKAI HEURISZTIKA INTEGRÁLÁSA:

    # Feltételezzük, hogy az 1. bemeneti változó (inputs[:, 0]) egy kritikus szabályozó.

    # Szabály: Ha az inputs[:, 0] > 0.8, akkor az outputnak is nagynak kell lennie (> 0.5).

    # Büntetjük azt az esetet, ha ez a szabály sérül.

    critical_feature_idx = 0

    rule_violation = torch.relu(0.5 - outputs) * (inputs[:, critical_feature_idx] > 0.8).float()

    

    # A heurisztikus büntetés átlagos mértéke

    heuristic_penalty = torch.mean(rule_violation)

    

    # Végső veszteség a heurisztikus súly (lambda) figyelembevételével

    total_loss = base_loss + lambda_heuristic * heuristic_penalty

    return total_loss

# 3. Tanítási folyamat szimulációja

input_size = 5

model = XAINeuralNetwork(input_size)

optimizer = optim.Adam(model.parameters(), lr=0.01)

# Dummy adatok: (batch_size=10, features=5)

X_train = torch.rand(10, input_size)

y_train = torch.randint(0, 2, (10, 1)).float()

# Tanítási ciklus

epochs = 50

for epoch in range(epochs):

    optimizer.zero_grad()

    predictions = model(X_train)

    

    # Veszteség kalkuláció a beépített heurisztikával

    loss = combined_loss(predictions, y_train, X_train, lambda_heuristic=0.8)

    

    loss.backward()

    optimizer.step()

    

    if epoch % 10 == 0:

        print(f"Epoch {epoch}, Loss: {loss.item():.4f}")