Artificial intelligence on neocortex learning model

ปัญญาประดิษฐ์ในรูปแบบการเรียนรู้นีโอคอร์เท็กซ์

Name: Thasayu Soisoonthorn.

keyword: Neocortex learning model.

LCSH: Artificial intelligence.

LCSH: Language and languages -- Orthography and spelling.

LCSH: Thai language -- Orthography and spelling.

LCSH: Natural language processing (Computer science)

LCSH: Computational linguistics.

Abstract: This research proposes a Brain-Inspired approach to general problem-solving with a focus on sequential learning and natural language processing. The methodology, rooted in the concepts of Hawkins, is designed to be as simple and compatible as possible with both hardware and software. The new approach uses three problems for performance evaluation : The performance is evaluated in a hardware operation model on MATLAB Simulink, demonstrating its ease of implementation. 2) It is used to solve spelling check problems, using the standard TREC-5 dataset and comparing performance with the Levenshtein Distance, Pyspellchecker, LSTM, and Semantically Conditioned LSTM plus Elmo Transformer (Elmosclstm) methods. The proposed method outperforms all four methods, with BI showing 90.75% accuracy, significantly higher than Elmosclstm's 72.18%. 3) To solve Thai word segmentation problems, using the standard BEST2010 and LST20 datasets, and compared with the Longest Matching, Newmm, and Deepcut methods. The experimental results showed that BI provides an F1-Score close to the Deepcut method and is better than the other two methods. Meanwhile, when the data is transformed to include misspelled words, the experiments found that the BI method can accurately classify the pattern of the misspelled words, improving the average F1-Score by up to 4.5% compared to the Deepcut method.

Abstract: งานวิจัยนี้มีเป้าหมายในการศึกษาการทำงานของสมองมนุษย์เพื่อสร้างวิธีการแก้ปัญหา ในรูปแบบลำดับ โดยเฉพาะกับปัญหาการประมวลผลภาษาธรรมชาติ โดยเรียกวิธีการนี้ว่า Brain-Inspired (BI) ซึ่งทำการปรับปรุงและนำแนวคิดของฮอว์คินส์มาปรับใช้ โดยออกแบบโครงสร้างให้สามารถใช้งานได้ทั้งกับฮาร์ดแวร์และซอฟต์แวร์ วิธีการใหม่นี้ใช้ 3 ปัญหา เพื่อการประเมินผล การทำงาน 1) ประเมินผลการทำงานในแบบจำลองการทำงานฮาร์ดแวร์บนแมทแลปซิมมูลิงค์ 2) ใช้แก้ปัญหาการตรวจสอบการสะกดคำผิด โดยใช้ชุดข้อมูลมาตรฐาน TREC-5 และเปรียบเทียบประสิทธิภาพกับวิธี Levenshtein Distance, Pyspellchecker, แอลเอสทีเอ็มและ Semantically Conditioned LSTM plus Elmo Transformer (Elmosclstm) ซึ่งวิธีที่นำเสนอให้ประสิทธิภาพ ที่ดีกว่าทั้ง 4 วิธีดังกล่าว โดย BI มีความถูกต้องที่ 90.75% มากกว่า Elmosclstm ที่ 72.18% 3) ใช้แก้ปัญหาการตัดคำภาษาไทย โดยใช้ชุดข้อมูลมาตรฐาน BEST2010 และ LST20 โดยเปรียบเทียบกับวิธีการ ตัดคำแบบยาวที่สุด, Newmm และ Deepcut ผลการทดลองพบว่า BI ให้ค่า F1-Score ใกล้เคียงกับวิธีการ Deepcut และดีกว่าอีก 2 วิธี ในขณะที่เมื่อข้อมูลถูกแปลงให้มีคำผิด จากผลการทดลองพบว่าวิธีการ BI สามารถจำแนกรูปแบบของคำผิดได้ดี โดยปรับปรุงค่า F1-Score สูงขึ้นโดยเฉลี่ยถึง 4.5% เมื่อเปรียบเทียบกับวิธีการ Deepcut

King Mongkut's University of Technology North Bangkok. Central Library

Address: BANGKOK

Email: library@kmutnb.ac.th

Name: Maleerat Maliyaem

Role: dissert advisor.

Email : maleerat.m@itd.kmutnb.ac.th

Name: Unger, Herwig

Role: dissert advisor.

Created: 2022

Modified: 2566-11-15

Issued: 2023-11-15

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Information and Data Science (International Program)

Grantor: King Mongkut's University of Technology North Bangkok

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B1761952x.pdf	6.23 MB	7	2025-09-08 21:08:27

ใช้เวลา

0.036634 วินาที