Конкурентное обучение - Википедия - Competitive learning

Конкурсное обучение это форма обучение без учителя в искусственные нейронные сети, в котором узлы соревнуются за право ответить на подмножество входных данных.^[1] Вариант Hebbian обучение конкурентное обучение работает за счет увеличения специализации каждого узла в сети. Он хорошо подходит для поиска кластеры в пределах данных.

Модели и алгоритмы, основанные на принципе конкурентного обучения, включают: векторное квантование и самоорганизующиеся карты (Карты Кохонена).

Принципы

Правило соревновательного обучения состоит из трех основных элементов:^[2]^[3]

Набор нейронов, которые все одинаковы, за исключением некоторых случайно распределенных синаптических весов, и поэтому по-разному реагируют на заданный набор входных паттернов.
Ограничение на «силу» каждого нейрона.
Механизм, который позволяет нейронам конкурировать за право реагировать на заданное подмножество входных сигналов, так что только один выходной нейрон (или только один нейрон на группу) является активным (т.е. «включен») одновременно. Нейрон, победивший в соревновании, называется нейрон "победитель получает все".

Соответственно, отдельные нейроны сети учатся специализироваться на ансамблях одинаковых паттернов и тем самым становятся «детекторами признаков» для различных классов входных паттернов.

Тот факт, что конкурирующие сети перекодируют наборы коррелированных входов в один из нескольких выходных нейронов, по существу устраняет избыточность в представлении, которая является важной частью обработки в биологических сенсорные системы.^[4]^[5]

Архитектура и реализация

Конкурентоспособная архитектура нейронной сети

Конкурентное обучение обычно реализуется с помощью нейронных сетей, которые содержат скрытый слой, известный как «уровень конкуренции».^[6] Каждый конкурентный нейрон описывается вектором весов ${ displaystyle { mathbf {w}} _ {i} = left ({w_ {i1}, .., w_ {id}} right) ^ {T}, i = 1, .., M}$ и вычисляет мера сходства между входными данными ${ displaystyle { mathbf {x}} ^ {n} = left ({x_ {n1}, .., x_ {nd}} right) ^ {T} in mathbb {R} ^ {d} }$ и вектор веса ${ displaystyle { mathbf {w}} _ {i}}$ .

Для каждого входного вектора конкурирующие нейроны «соревнуются» друг с другом, чтобы увидеть, какой из них наиболее похож на этот конкретный входной вектор. Победивший нейрон m устанавливает свой выход ${ displaystyle o_ {m} = 1}$ и все остальные конкурирующие нейроны устанавливают свой выход ${ displaystyle o_ {i} = 0, i = 1, .., M, i neq m}$ .

Обычно для измерения подобия используется величина, обратная евклидову расстоянию: ${ displaystyle left | {{ mathbf {x}} - { mathbf {w}} _ {i}} right |}$ между входным вектором ${ displaystyle { mathbf {x}} ^ {n}}$ и вектор веса ${ displaystyle { mathbf {w}} _ {i}}$ .

Пример алгоритма

Вот простой алгоритм соревновательного обучения, чтобы найти три кластера в некоторых входных данных.

1. (Настройка.) Пусть все датчики подаются на три разных узла, так чтобы каждый узел был подключен к каждому датчику. Пусть веса, которые каждый узел присваивает своим датчикам, устанавливаются случайным образом в диапазоне от 0,0 до 1,0. Пусть выходной сигнал каждого узла будет суммой всех его датчиков, причем мощность сигнала каждого датчика умножена на его вес.

2. Когда сеть показывает вход, узел с наибольшим выходом считается победителем. Вход классифицируется как находящийся в кластере, соответствующем этому узлу.

3. Победитель обновляет каждый из своих весов, перемещая вес от соединений, которые давали ему более слабые сигналы, на соединения, которые давали ему более сильные сигналы.

Таким образом, по мере получения большего количества данных каждый узел сходится в центре кластера, который он должен представлять, и активнее активируется для входов в этом кластере и более слабо для входов в других кластерах.

Смотрите также

Дополнительная информация и программное обеспечение

Проект отчета «Некоторые методы соревновательного обучения» (содержит описания нескольких связанных алгоритмов)
DemoGNG - симулятор Java для соревновательных методов обучения

[1] Румелхарт, Дэвид; Дэвид Зипсер; Джеймс Л. Макклелланд; и другие. (1986). Параллельная распределенная обработка, Vol. 1. MIT Press. стр.151–193.

[2] Румелхарт, Дэвид Э. и Дэвид Ципсер. "Открытие функций путем конкурентного обучения. »Когнитивная наука 9.1 (1985): 75-112.

[3] Хайкин, Саймон, "Нейронная сеть. Комплексная основа". Нейронные сети 2.2004 (2004).

[4] Барлоу, Гораций Б. «Обучение без учителя». Нейронные вычисления 1.3 (1989): 295-311.

[5] Эдмунд Т. Роллс и Густаво Деко. Вычислительная неврология зрения. Оксфорд: издательство Оксфордского университета, 2002.

[6] Салатас, Джон (24 августа 2011 г.). «Внедрение сетей конкурентоспособного обучения для WEKA». Блог исследований ИКТ. Получено 28 января 2012.

[1]

[2]

[3]

[4]

[5]

[6]