也许神经网络不是最好的工具。

在我看来，与您的“帮助分类的问题”概念等效的是使用机器学习 (ML) 来获得执行分类的人类可读的规则集。这个想法是，如果你一直遵循一条适用的规则链直到最后，你就有了一个分类器，如果你在此之前停止，你就有了一个指标，表明输入的哪些特征给出了更粗粒度的分类，可以看作是“帮助分类”的一系列逐步详细的问题。

有关使用 ML 创建规则集的各种选项的更多详细信息，请参阅我对这个问题的回答。

对此的一种解决方案可能涉及融合决策树和 ANN 以进行多级分类。

决策树可以帮助预测要分类的实例的可能类别。然后，树的叶子上的人工神经网络可以产生最终的分类。

例如，在图像识别中，树可以决定要识别的对象类别（例如，风景、人、车辆等），并且适当类型的 ANN 可以准确预测它是什么对象。在车辆中，例如汽车、公共汽车、自行车等。

好问题。今天，人工智能系统以“一次爆发”模式工作。获取一个输入并生成一个输出。我们的大脑不是那样工作的。

第一步是学习网络如何与它的“助手”通信，因此网络而不是结果生成问题和循环将重复，直到网络找到结果。

对于问题/答案周期之间所需的内部状态，网络必须是循环的。