Здравствуйте, bkat, Вы писали:

B>Экспертные системы — один из вариантов создания таких систем.
B>Заполняешь базу правил (знаний), компилируешь текст программы
B>в некоторое реляционное представление и осуществляешь логических вывод
B>с использованием базы правил.
B>Чем лучше база знаний, тем больше ошибок можно пытаться находить.

Да, абсолютно верно, а как сюда примененить нейросети?

Здравствуйте, Аноним, Вы писали:

А>Здравствуйте, bkat, Вы писали:

B>>Экспертные системы — один из вариантов создания таких систем.
B>>Заполняешь базу правил (знаний), компилируешь текст программы
B>>в некоторое реляционное представление и осуществляешь логических вывод
B>>с использованием базы правил.
B>>Чем лучше база знаний, тем больше ошибок можно пытаться находить.

А>Да, абсолютно верно, а как сюда примененить нейросети?

Понятия не имею
Видимо при таком подходе вместо базы знаний и логического вывода будет работать сеть.
Как она будет объяснять найденные ошибки — я не знаю.

Здравствуйте, bkat, Вы писали:

B>Здравствуйте, Аноним, Вы писали:

А>>Здравствуйте, bkat, Вы писали:

B>>>Экспертные системы — один из вариантов создания таких систем.
B>>>Заполняешь базу правил (знаний), компилируешь текст программы
B>>>в некоторое реляционное представление и осуществляешь логических вывод
B>>>с использованием базы правил.
B>>>Чем лучше база знаний, тем больше ошибок можно пытаться находить.

А>>Да, абсолютно верно, а как сюда примененить нейросети?

B>Понятия не имею
B>Видимо при таком подходе вместо базы знаний и логического вывода будет работать сеть.
B>Как она будет объяснять найденные ошибки — я не знаю.

В большинстве случаев нейронная сеть и не может заменить экспертную систему в принципе (есть соответсвующие теоремы). Однако она может её дополнить.
В кратце так: экспертная система (тот же компилятор), выделяет некоторые признаки. А вот нейронная сеть, позволяет по выделенной совокупности признаков распознать некий заданный набор признаков или класс наборов признаков. Причём часто гораздо быстрее, чем любой экспертный алгоритм...
С Уважением, Андрей

Здравствуйте, LaptevVV, Вы писали:

LVV>А Mikola молчит чего-то
LVV>Давай, Колись поконкретней, чего надо-то?

Ну поконкретней я уж написал — хотя бы в общих чертах (описание процесса, без текста проги): Как нейронная сеть может обучаться и ловить в потом логические ошибки в программе. Язык — все-равно какой. Чтоб это можно было бы сдать как РГЗ.
Вы говорили, что Вам студенты дипломы сдавали на эту тему. Можт кинете чего мне. Мне ж не для продажи надо, а чтоб сдать это РГЗ. Так сказать, для умственного развития
Потому что самому такое придумать — мозгов не хватает пока

Здравствуйте, Mikola, Вы писали:

M>Народ, нужен алгоритм и/или описание нейронной сети, которая ищет логические ошибки в коде программы (язык-любой)
M>Помогите plz. кто чем может
M>

Я вооще , простите, фигею от этих профессоров с нейросетями.

Вы прежде чем решать сложные задачи нейросетями попробуйте
решить решенные задачи этим способом.

Поиск максимального числа из набора — простая задача.
Я уверен что для ее решения с помощью нейросети придется разбиться в лепешку.
Дак чего вы решаете сложные задачи методом который не известно чего дает.
Говорю так потому знаю что в общем поведение сети не предсказуемо и нет
почти никаких теоретических исследований и результатов.

Здравствуйте, barn_czn, Вы писали:

_>Здравствуйте, Mikola, Вы писали:

M>>Народ, нужен алгоритм и/или описание нейронной сети, которая ищет логические ошибки в коде программы (язык-любой)
M>>Помогите plz. кто чем может
M>>

_>Я вооще , простите, фигею от этих профессоров с нейросетями.

_>Вы прежде чем решать сложные задачи нейросетями попробуйте
_>решить решенные задачи этим способом.
Согласен. Попытка починить автомобиль с помощью оптоволоконный сети тоже врядли увенчается успехом. Значит ли это что оптоволокно хуже гаичного ключа?
Просто для одних целей эффективны одни средства, для других — другие...

_>Поиск максимального числа из набора — простая задача.
_>Я уверен что для ее решения с помощью нейросети придется разбиться в лепешку.
Как и для латания носков напильником. Тебе её кто-нибудь предлагал решать с помошью нейронных сетей?

_>Дак чего вы решаете сложные задачи методом который не известно чего дает.
Неизвестно кому? Ты теорию нейросетей вообще то знаешь? Принципы их работы?

_>Говорю так потому знаю что в общем поведение сети не предсказуемо и нет
_>почти никаких теоретических исследований и результатов.
И как ты об этом узнал если нет никаких, даже теоретических исследований и результатов?
Кроме того у КОГО их нет?

Кроме того, насколько мне известно, в настоящее время к области нейросетей относят так же громадное число очень эффективных алгоритмов обработки изображения и другой информации. Да и классические нейронные сети используются весьма успешно. В частности при распознавании образов.

Про нейронные сети действительно много всякой ерунды было написано в жёлтой и псевдонаучной прессе. Но если Вы батенька зачитываетесь подобной прессой, то нейронные сети в этом не виноваты...

Могу только добавить, что моя персональная нейронная сеть напрочь отказывается
искать максимальные числа в поледовательностях, вычислять косинусы, извлекать квадратные
корни и еще много чего

Здравствуйте, bkat, Вы писали:

B>
B>Могу только добавить, что моя персональная нейронная сеть напрочь отказывается
B>искать максимальные числа в поледовательностях, вычислять косинусы, извлекать квадратные
B>корни и еще много чего



Моя тоже... Уж если ей сильно приспичит, то погонит меня за калькулятором или программку искать...

Здравствуйте, AndreyFedotov, Вы писали:

_>>Дак чего вы решаете сложные задачи методом который не известно чего дает.
AF>Неизвестно кому? Ты теорию нейросетей вообще то знаешь? Принципы их работы?
А ты уверен, что ты знаешь? Может старый топик про нейросети поднимем, и ты скажешь что нибудь умное-теоретическое в их защиту? Кроме обычной муры, что это на нейроны отдаленно похоже, и поэтому очень круто?

AF>Кроме того, насколько мне известно, в настоящее время к области нейросетей относят так же громадное число очень эффективных алгоритмов обработки изображения и другой информации. Да и классические нейронные сети используются весьма успешно. В частности при распознавании образов.

AF>Про нейронные сети действительно много всякой ерунды было написано в жёлтой и псевдонаучной прессе. Но если Вы батенька зачитываетесь подобной прессой, то нейронные сети в этом не виноваты...
Судя по написанному, такой прессой зачитываетесь Вы, батенька. Уж, по крайней мере, не подшивкой журнала "дифференциальные уравнения" .

Так что, нет ни одного примера успешного применения нейронных сетей?

Здравствуйте, Аноним, Вы писали:

А>Так что, нет ни одного примера успешного применения нейронных сетей?

Успешные — есть. Нет [известных мне и всем кого я знаю] таких примеров применения НС, где бы они оказались лучше, чем нормальные методы [я вопросом занимался, но может случится чудо и я окажусь неправ?]. А геммороя с НС обычно заметно больше.

Если по простому, то НС это не более чем метод экстраполяции функций нескольких переменных. Причем он проигрывает классическим методам экстраполяции практически во всем.

Вот теперь, думая о НС как о методе экстраполяции (который, плюс ко всему, ведет себя слабопредсказуемо на незаданных точках), подумайте, можно-ли им решить вашу задачу.

Как писал предыдущий докладчик (barn_czn), "Поиск максимального числа из набора — простая задача.
Я уверен что для ее решения с помощью нейросети придется разбиться в лепешку."
Попробуйте придумать схему решения такой задачи любым экстраполяционным методом (поиском приближенной функции по заданному набору точек, например в классе полиномов методом наименьших квадратов. Бред ведь, правда?). А теперь оцените применимость метода НС "для решения унифицированных задач", и для вашей в частности.

Чудес не бывает. И чтобы понять это на примере НС, совсем не надо знать "теорию НС" и какую-нибудь недоступную простому смертному математику. Удивительно даже, что народ все еще ведется на звучные термины. НС имеет такое же отношение к интеллекту как протез мозга из папье-маше.

Здравствуйте, Gaperton, Вы писали:

G>Здравствуйте, Аноним, Вы писали:

А>>Так что, нет ни одного примера успешного применения нейронных сетей?

G>Успешные — есть. Нет [известных мне и всем кого я знаю] таких примеров применения НС, где бы они оказались лучше, чем нормальные методы [я вопросом занимался, но может случится чудо и я окажусь неправ?]. А геммороя с НС обычно заметно больше.

Спасибо!
Т.е. по твоему мнению НС не имеют права на существование и работам
в этой области должно быть отведено то же место, что и "работам" по вечным двигателям?

Здравствуйте, Gaperton, Вы писали:

G>Здравствуйте, Аноним, Вы писали:

А>>Так что, нет ни одного примера успешного применения нейронных сетей?

G>Успешные — есть. Нет [известных мне и всем кого я знаю] таких примеров применения НС, где бы они оказались лучше, чем нормальные методы [я вопросом занимался, но может случится чудо и я окажусь неправ?]. А геммороя с НС обычно заметно больше.

G>Если по простому, то НС это не более чем метод экстраполяции функций нескольких переменных. Причем он проигрывает классическим методам экстраполяции практически во всем.

<...>

Помнится, я слышал про сети с обратной связью. Эти-то нельзя назвать "методом экстраполяции" ? Или можно ?

Здравствуйте, Gaperton, Вы писали:

G>Здравствуйте, AndreyFedotov, Вы писали:

_>>>Дак чего вы решаете сложные задачи методом который не известно чего дает.
AF>>Неизвестно кому? Ты теорию нейросетей вообще то знаешь? Принципы их работы?
G>А ты уверен, что ты знаешь? Может старый топик про нейросети поднимем, и ты скажешь что нибудь умное-теоретическое в их защиту? Кроме обычной муры, что это на нейроны отдаленно похоже, и поэтому очень круто?
Интересно, когда я утверждал что то подобное?

AF>>Кроме того, насколько мне известно, в настоящее время к области нейросетей относят так же громадное число очень эффективных алгоритмов обработки изображения и другой информации. Да и классические нейронные сети используются весьма успешно. В частности при распознавании образов.

AF>>Про нейронные сети действительно много всякой ерунды было написано в жёлтой и псевдонаучной прессе. Но если Вы батенька зачитываетесь подобной прессой, то нейронные сети в этом не виноваты...
G>Судя по написанному, такой прессой зачитываетесь Вы, батенька. Уж, по крайней мере, не подшивкой журнала "дифференциальные уравнения" .
Ну по наличию ярлыков и эпитетов кто читает жёлтую прессу определить можно сразу...
Кроме того, по множеству голословных утверждений чтение подшивки журнала "дифференциальные уравнения" дало не много...
Может попробовать расслабиться? Почитать плейбой или XXL?
Глядишь и добрее станешь к людям...

Здравствуйте, Gaperton, Вы писали:

G>Здравствуйте, Аноним, Вы писали:

А>>Так что, нет ни одного примера успешного применения нейронных сетей?

G>Успешные — есть. Нет [известных мне и всем кого я знаю] таких примеров применения НС, где бы они оказались лучше, чем нормальные методы [я вопросом занимался, но может случится чудо и я окажусь неправ?]. А геммороя с НС обычно заметно больше.
Поясни какие методы Ты называешь "нормальными", что именно ты называешь словами "нейронные сети" и где именно "нормальные методы" лучше чем "нейронные сети".

G>Если по простому, то НС это не более чем метод экстраполяции функций нескольких переменных. Причем он проигрывает классическим методам экстраполяции практически во всем.
С чёго это? Это в первую очередь определённым образом составленые функции нескольких переменных. И как и любые другие функции их можно применить и для экстраполяции тоже. Особенно интерсно становится если использовать нелинейные нейронные сети...

G>Вот теперь, думая о НС как о методе экстраполяции (который, плюс ко всему, ведет себя слабопредсказуемо на незаданных точках), подумайте, можно-ли им решить вашу задачу.
Великолепный способ промывать мозги. Сначала делаем ложное утверждение. Затем авторитарно заставляем в него поверить. А потом исходя из него обосновываем всё остальное...


G>Как писал предыдущий докладчик (barn_czn), "Поиск максимального числа из набора — простая задача.
G>Я уверен что для ее решения с помощью нейросети придется разбиться в лепешку."
G>Попробуйте придумать схему решения такой задачи любым экстраполяционным методом (поиском приближенной функции по заданному набору точек, например в классе полиномов методом наименьших квадратов. Бред ведь, правда?). А теперь оцените применимость метода НС "для решения унифицированных задач", и для вашей в частности.
А кто предлагает их там использовать?
Это тоже самое что заявлять, что "прямые линии — это плохо, потому что они плохо аппроксимируют квадратное уравнение". Вы вспомните ещё о решении излюбленных дифференциальных уравнений. Удивительно! Но там они тоже не сработают! Так же, как и деление в столбик, факториалы, вся комбинаторика, топология,... Пора отказываться и от всего и вся. Ибо попробуйте найти хоть что-то что работает одинакого хорошо везде...

G>Чудес не бывает. И чтобы понять это на примере НС, совсем не надо знать "теорию НС" и какую-нибудь недоступную простому смертному математику. Удивительно даже, что народ все еще ведется на звучные термины. НС имеет такое же отношение к интеллекту как протез мозга из папье-маше.
Интересно, а кто именно (кроме ВАС) связывает нейронные сети и искуственный интеллект? Где Вы это нашли? Хотя бы в пределах данной ветки?

У человека был вопрос — как ему применить определённый математический метод в конкретной задаче, на что Вы вместо того, что бы ему помочь пустились в пространные рассуждения о том, какой это плохой метод...
Это-то конечно гораздо проще, чем хотя бы подумать, как и для чего можно было бы их применить в контексте этой задачи...

Здравствуйте, Аноним, Вы писали:

А>Здравствуйте, Gaperton, Вы писали:

G>>Здравствуйте, Аноним, Вы писали:

А>>>Так что, нет ни одного примера успешного применения нейронных сетей?

G>>Успешные — есть. Нет [известных мне и всем кого я знаю] таких примеров применения НС, где бы они оказались лучше, чем нормальные методы [я вопросом занимался, но может случится чудо и я окажусь неправ?]. А геммороя с НС обычно заметно больше.

А>Спасибо!
А>Т.е. по твоему мнению НС не имеют права на существование и работам
А>в этой области должно быть отведено то же место, что и "работам" по вечным двигателям?
Про "вечный двигатель" фраза не моя. Имеют, конечно-же. Под нейронные сети выделяли большие деньги, поэтому ими занимались. И занимались ими частенько очень хорошие математики. Которые получали за это деньги, и честно пытались что-то сделать. И я бы занялся, если денег бы заплатили хорошо, там интересная математика. Для сильных духом.

Но вот как инженер, я НС пользоваться не буду ни в коем случае, и вам не советую. Но здесь каждый решает за себя, я не собираюсь никого переубеждать, поймите меня правильно.

Здравствуйте, Аноним, Вы писали:

А>Здравствуйте, Gaperton, Вы писали:

G>>Здравствуйте, Аноним, Вы писали:

А>>>Так что, нет ни одного примера успешного применения нейронных сетей?

G>>Успешные — есть. Нет [известных мне и всем кого я знаю] таких примеров применения НС, где бы они оказались лучше, чем нормальные методы [я вопросом занимался, но может случится чудо и я окажусь неправ?]. А геммороя с НС обычно заметно больше.

G>>Если по простому, то НС это не более чем метод экстраполяции функций нескольких переменных. Причем он проигрывает классическим методам экстраполяции практически во всем.

<...>>

А>Помнится, я слышал про сети с обратной связью. Эти-то нельзя назвать "методом экстраполяции" ? Или можно ?

Разницы нет. Суть вот в чем.

НС в общем случае это нелинейная вектор-функция f( x1, ... ,xn, a1, ... ,an ),
где xi это аргумент, а ai — настраеваемый параметр.

Задача стоит так. По заданному множеству пар значений {( X, f( X ) )} подобрать коэффициенты ai таким образом ("обучение"), чтобы значения f были близки к точкам "обучающего множества". Есть нюанс, что процесс "обучения" (настройки коэффициентов) итеративен, т. е. мы обрабатываем одну точку за раз, и каждый раз сеть становится "умнее". В чем, впрочем, нет особого смысла.

Считается, что если правильно "обучить" НС, то она "найдет закономерности" (т. е. может быть использованна в точках отличных от "обучающего множества", что и есть задача экстраполяции).

Сухой остаток: "сеть" представляет собой нелинейную параметрическую функцию. "Обучение" — это подбор коэффициентов (обычно минимизируется функция ошибки методом сопряженного градиента) таким образом, чтобы минимизировать ошибку на "обучающем множестве". Нелинейность создает массу проблем:
1) Нельзя впрямую рассчитать коэффициенты. Сравните с рассчетом коэффициентов ряда фурье.
2) Таким методом можно обучить все что угодно, главное чтобы градиент существовал. Но есть нюанс. Метод не гарантирует нахождения глобального минимума функции ошибки. Сравните с рядом фурье — гарантированное нахождение минимума.
3) В связи с особенностью вида функции ошибки (ступенчатая с плоскими участками) метод работает очень неторопливо, и время "обучения" предсказать тяжело. Сравните с рядом фурье — фиксированное количество операций для нахождения каждого коэффициента.
4) Ряд фурье (как все нормальные методы экстраполяции) ведут себя предсказуемо на незаданных точках. В случае с рядом фурье или сплайнами, мы можем правильно выбирать базисные функции чтобы увеличить точность.
НС из-за нелинейности функции ведет себя в незаданных точках черти-как.

Ну и дальше, куда не плюнь одни проблемы. А где преимущества? Непонятно.

Здравствуйте, AndreyFedotov, Вы писали:

G>>Успешные — есть. Нет [известных мне и всем кого я знаю] таких примеров применения НС, где бы они оказались лучше, чем нормальные методы [я вопросом занимался, но может случится чудо и я окажусь неправ?]. А геммороя с НС обычно заметно больше.
AF>Поясни какие методы Ты называешь "нормальными", что именно ты называешь словами "нейронные сети" и где именно "нормальные методы" лучше чем "нейронные сети".

"Нормальные" методы, это методы прикладной математики, которые учитывают природу задачи, для которых можно СРАЗУ до попытки применения сказать сработают они или нет, а если сработают, то как. Да что я объясняю, те кому надо и так все поняли.

G>>Если по простому, то НС это не более чем метод экстраполяции функций нескольких переменных. Причем он проигрывает классическим методам экстраполяции практически во всем.
AF>С чёго это? Это в первую очередь определённым образом составленые функции нескольких переменных. И как и любые другие функции их можно применить и для экстраполяции тоже. Особенно интерсно становится если использовать нелинейные нейронные сети...

No comments. Что говорить, если не о чем говорить?

G>>Вот теперь, думая о НС как о методе экстраполяции (который, плюс ко всему, ведет себя слабопредсказуемо на незаданных точках), подумайте, можно-ли им решить вашу задачу.
AF>Великолепный способ промывать мозги. Сначала делаем ложное утверждение. Затем авторитарно заставляем в него поверить. А потом исходя из него обосновываем всё остальное...

Почему авторитарно? Мое высказывание поддается элементарной проверке, и должно быть очевидно любому человеку с математичеким образованием. Прежде чем обвинять меня в ложных утверждениях, попробуйте подумать сами. А вдруг я все-таки прав? Тогда неудобно как-то получится. Вам. Или приведите контрпример (что, как мне кажется, у вас не выйдет). Тогда (возможно) я окажусь неправ. Это математика, а не философия или религия. Здесь почти все можно доказать.

G>>Как писал предыдущий докладчик (barn_czn), "Поиск максимального числа из набора — простая задача.
G>>Я уверен что для ее решения с помощью нейросети придется разбиться в лепешку."
G>>Попробуйте придумать схему решения такой задачи любым экстраполяционным методом (поиском приближенной функции по заданному набору точек, например в классе полиномов методом наименьших квадратов. Бред ведь, правда?). А теперь оцените применимость метода НС "для решения унифицированных задач", и для вашей в частности.
AF>А кто предлагает их там использовать?
AF>Это тоже самое что заявлять, что "прямые линии — это плохо, потому что они плохо аппроксимируют квадратное уравнение". Вы вспомните ещё о решении излюбленных дифференциальных уравнений. Удивительно! Но там они тоже не сработают! Так же, как и деление в столбик, факториалы, вся комбинаторика, топология,... Пора отказываться и от всего и вся. Ибо попробуйте найти хоть что-то что работает одинакого хорошо везде...

G>>Чудес не бывает. И чтобы понять это на примере НС, совсем не надо знать "теорию НС" и какую-нибудь недоступную простому смертному математику. Удивительно даже, что народ все еще ведется на звучные термины. НС имеет такое же отношение к интеллекту как протез мозга из папье-маше.
AF>Интересно, а кто именно (кроме ВАС) связывает нейронные сети и искуственный интеллект? Где Вы это нашли? Хотя бы в пределах данной ветки?

AF>У человека был вопрос — как ему применить определённый математический метод в конкретной задаче, на что Вы вместо того, что бы ему помочь пустились в пространные рассуждения о том, какой это плохой метод...
AF>Это-то конечно гораздо проще, чем хотя бы подумать, как и для чего можно было бы их применить в контексте этой задачи...
Очень не хочется с вами спорить. Думайте над этим сами, а мы посмотрим, что у вас получится. Я уже подумал, и (если вы не заметили) объяснил, почему НС не подойдут для решения этой задачи. Хао. Я все сказал.

Здравствуйте, Gaperton, Вы писали:

G>Здравствуйте, AndreyFedotov, Вы писали:

G>>>Если по простому, то НС это не более чем метод экстраполяции функций нескольких переменных. Причем он проигрывает классическим методам экстраполяции практически во всем.
AF>>С чёго это? Это в первую очередь определённым образом составленые функции нескольких переменных. И как и любые другие функции их можно применить и для экстраполяции тоже. Особенно интерсно становится если использовать нелинейные нейронные сети...

G> No comments. Что говорить, если не о чем говорить?

Вот и я об этом. Если бы исходные функции были известны или можно было бы получить их представление в виде рядов, то нейронные сети не были бы нужны. Причина их использования — именно не известность этих самых исходных функций.

G>Очень не хочется с вами спорить. Думайте над этим сами, а мы посмотрим, что у вас получится. Я уже подумал, и (если вы не заметили) объяснил, почему НС не подойдут для решения этой задачи. Хао. Я все сказал.
Это если бы задачей было построить компилятор на одних нейронных сетях. Тут и спорить не о чем. Задача то была — найти возможность применения НС в поиске ошибок. И не там, где они заведомо не будут работать. А именно конекст — в котором они работать будут и способ их применения.
Хотя для данной области НС — далеко не лучший выбор, что однако и так очевидно...

Здравствуйте, AndreyFedotov, Вы писали:

AF>Здравствуйте, Gaperton, Вы писали:

G>>Здравствуйте, AndreyFedotov, Вы писали:

G>>>>Если по простому, то НС это не более чем метод экстраполяции функций нескольких переменных. Причем он проигрывает классическим методам экстраполяции практически во всем.
AF>>>С чёго это? Это в первую очередь определённым образом составленые функции нескольких переменных. И как и любые другие функции их можно применить и для экстраполяции тоже. Особенно интерсно становится если использовать нелинейные нейронные сети...

G>> No comments. Что говорить, если не о чем говорить?

AF>Вот и я об этом. Если бы исходные функции были известны или можно было бы получить их представление в виде рядов, то нейронные сети не были бы нужны. Причина их использования — именно не известность этих самых исходных функций.

Вы не об этом. Это не может быть причиной. Известен набор пар точка-значение. Использовать можно ЛЮБОЙ метод, при этом хотите вы этого или нет, интерполяционная функция будет принадлежать какому-то наперед известному классу параметрических функций. Будь то сплайны, отрезки ряда фурье, полиномы, или (в случае НС) многослойный персептрон. Все перечисленные функции кроме персептрона имеют очевидные свойства и предсказуемое поведение, при равной персептрону описательной силе, которая в большей степени определяется количеством настраиваемых параметров, а не видом функции. Вид функции влияет на скорость сходимости (точность приближения), и здесь персептрон тоже в аутсайдерах.

G>>Очень не хочется с вами спорить. Думайте над этим сами, а мы посмотрим, что у вас получится. Я уже подумал, и (если вы не заметили) объяснил, почему НС не подойдут для решения этой задачи. Хао. Я все сказал.
AF>Это если бы задачей было построить компилятор на одних нейронных сетях. Тут и спорить не о чем. Задача то была — найти возможность применения НС в поиске ошибок. И не там, где они заведомо не будут работать. А именно конекст — в котором они работать будут и способ их применения.
AF> Хотя для данной области НС — далеко не лучший выбор, что однако и так очевидно...

Экстраполяционные методы здесь не то что "лучший" или "худший" — это вообще не выбор, если вы еще не поняли. Задача принцпиально не разрешима в данной постановке, и этот факт доказан. При наличии формальных спецификаций можно попробовать проверить программу на соответствие этим спецификациям, но это совсем другая песня, и другая математика.