Метод формализованных моделей как альтернатива нейронным сетям

Формул нет. Статья не зайдет.

Если ошибаюсь — поправьте

Извините, а что поправлять? Приведено абстрактное описание общей идеи модели, причем описание настолько обобщенное, что, возможно, этой идее будет соответствовать очень много очень различных моделей — указания на противоположное я в тексте не нашел. По ходу описания делаются некоторые утверждения, однако сколь-нибудь строгие обоснования этим утверждениям (или ссылки на обоснования) отсутствуют. В связи с этим возникает вопрос: насколько предлагаемые модели могут быть адекватны прототипу, т.е. естественному языку? Бремя доказательства, как известно, лежит на доказующем.

Что еще мне показалось странным:

В то же время другие статистические методы, например, кластеризация, позволяют получить чёткие результаты.

Однако в Википедии читаем:

Решение задачи кластеризации принципиально неоднозначно

Статья (почему-то названная автором в первой фразе «вбросом») оставила у меня двойственное впечатление: возможно, предлагается замечательный метод, но тогда форма его описания явно недостаточная, чтобы его оценить по достоинству. Может, например, если это возможно, стоит сформулировать минимальную искусственную задачу: взять словарь людоедки Эллочки в 30 слов и детально продемонстрировать метод на этом словаре?

С уважением и пожеланием автору успехов.

Опять «поршни против коленвала» в «политической» части статьи и переизобретение фреймов Минского (как способа работы с семантикой) и свёрточных сетей (как способа формирования фреймов статистическими методами) в «изобретательской» части. Только ещё на зачаточном уровне, конечно.

Если ошибаюсь — поправьте.

Основной причиной неприятия нейростей, как я понял из статьи, является то что «денотаты оказываются без чётких границ». Но, как написано ранее, денотаты это именования «лексем с семантическими классами». Как мне кажется, у денотата по сути не может быть четких границ, т.к. он меняется не только диахроничеки и синхронически. То есть это понятие больше психологическое, нежели семиотическое.
Формальные модели, десятками разработанные нашими и зарубежными лингвистами за последние лет 50 не показали себя на практике. Как раз по той причине, что либо они были слишком формализованы, либо требовали невероятно запутанных онтологий.
Но я полностью согласен с постановкой вопроса: нейросети не панацея. Выбор сложности алгоритма зависти от сложности решаемой задачи. И если морфологические или синтаксические задачи хорошо решаются стандартными стат.методами (наивным Байесом, случайными Марковскими полями и пр.; да и даже формальными моделями), то семантика требует более сложных вещей. Это не обязательно могут нейросети, но их скорость и качество оптимизации семантического пространства все-таки лучше, чем обычных стат.методов. И как раз главное их преимущество, что денотат нечеткий, его можно регулировать, варьируя параметры и корректируя обучающую выборку, и что важно — выборку без семантической разметки.
И, пожалуй, еще бы отметил в качестве размышления: не встречал ни одну формальную модель, учитывающую лексические эмоциональные составляющие (эмотивы). Как я понял, те же дискретные и непрерывные денотат-объекты — это либо имеющие плавающую эмотивную составляющую, либо нет (непрерывные). Эмоции «расшатывают» и даже меняют денотат. Неросети, к сожалению, это тоже пока не могут (я не говорю про сентимент-анализ — это на уровне классификации лексики, а не оценки эмоций). Поэтому здесь вопрос поиска алгоритма пока открытый.

Как то все теория, теория. Приведу пример, я занимаюсь видеоаналитикой. Есть масса примеров когда работа нейросетей без математики и структуры не удовлетворяет. К примеру задача распознавания лиц, или задача идентификации объекта. Например когда мы знаем положение камер и необходимо оцифровать объект-человек. Что бы затем решать задачу его более точной и быстрой идентификации в пространстве(куртка, кепка, кроссовки, прическа, рост и т.п. Любая дополнительная информация об объекте может существенно улучшить и ускорить его идентификацию в пространстве). Мои изыскания в этом направлении показывают перспективу симбиоза использования 3D движка(в процессе выбора) для обучения нейросетей а также с другой стороны возможность структурной оптимизации алгоритмов. Язык вырисовывается некоторый аналог SQL в совокупности с объектно-ориентированной моделью. На эту тему планирую опубликовать пару статей с конкретными примерами в том числе с технологией отладки и обучения.
Как то так. В итоге, мое мнение — сухая теория и математика никому не интересна.