Language
Country/Area
No result found
Du simple au complexe : comment le système ART fait-il évoluer divers réseaux neuronaux ?
Dans le domaine de l’intelligence artificielle, la théorie de la résonance adaptative (ART) a progressivement attiré l’attention en tant que modèle pour explorer le traitement des informations cérébrales. Fondée par Stephen Grossberg et Gail Carpenter, cette théorie propose une série de modèles de réseaux neuronaux artificiels qui utilisent des méthodes d'apprentissage supervisées et non supervisées pour traiter des modèles. Problèmes d'identification et de prédiction. Le concept central de l’ART est que la reconnaissance et la cognition des objets sont généralement le résultat de l’interaction entre les attentes d’observation « descendantes » et les informations sensorielles « ascendantes ».
Le modèle ART suppose que les attentes « descendantes » existent sous la forme de modèles de mémoire ou de prototypes, qui sont comparés aux caractéristiques réelles de l’objet perçu.
Cette comparaison produit une mesure du degré des propriétés catégorielles, et tant que la différence entre la perception et l'attente ne dépasse pas un seuil défini appelé « paramètre d'alerte », l'objet perçu sera considéré comme étant de la catégorie attendue . membre. Le système ART propose ainsi une solution au problème de « plasticité/stabilité », à savoir un apprentissage incrémental tout en acquérant de nouvelles connaissances sans détruire les connaissances existantes.
Modèle d'apprentissage
Le système ART de base est un modèle d’apprentissage non supervisé, qui se compose généralement d’un champ de comparaison et d’un champ de reconnaissance, et contient des neurones, des paramètres d’alerte et un module de réinitialisation. Le champ de comparaison accepte un vecteur d’entrée et le transfère au neurone du champ de reconnaissance qui lui correspond le mieux. Le neurone optimal pour cette correspondance émet un signal négatif, qui inhibe les autres neurones, de sorte que le champ de reconnaissance présente les caractéristiques d'une inhibition latérale, permettant à chaque neurone de représenter une catégorie.
Une fois la classification du vecteur d'entrée terminée, le module de réinitialisation comparera la force de la correspondance de reconnaissance avec les paramètres d'alerte et décidera s'il faut démarrer la formation en fonction du résultat.
Si la correspondance de reconnaissance dépasse les paramètres d'alerte, l'entraînement commencera et les poids des neurones de reconnaissance gagnants seront ajustés ; s'il ne parvient pas à franchir, un processus de recherche sera effectué pour désactiver en continu les neurones de reconnaissance actifs jusqu'à ce qu'une correspondance soit trouvée. répond aux paramètres d'alerte est trouvé. Ce processus et ses effets sont significativement affectés par les paramètres de vigilance, les paramètres de vigilance élevés produisant des souvenirs détaillés et les paramètres de vigilance faibles produisant des souvenirs plus généraux.
Méthodes de formation
Il existe deux principales méthodes de formation pour les réseaux neuronaux basés sur ART : l’apprentissage lent et l’apprentissage rapide. Les méthodes d’apprentissage lent utilisent des équations différentielles pour calculer dans quelle mesure les poids doivent être ajustés, en fonction de la durée de présence du vecteur d’entrée ; l’apprentissage rapide utilise des équations algébriques pour calculer les changements de poids requis.
Alors que l’apprentissage rapide est efficace et efficient dans de nombreuses tâches, les méthodes d’apprentissage lent sont plus plausibles biologiquement et peuvent être utilisées pour les réseaux en temps continu.
Différents types de systèmes ART
Au cours de l'évolution de l'ART, différents types sont apparus, tels que l'ART 1 se concentrant sur l'entrée binaire et l'ART 2 prenant en charge l'entrée continue. ART 2-A est une version simplifiée de l'ART 2, avec une augmentation significative de la vitesse de course. L'ART 3 est basé sur l'ART 2 et simule la régulation de l'activité synaptique par des neurotransmetteurs externes, fournissant un mécanisme physiologiquement plus plausible pour inhiber partiellement la catégorie qui produit la réinitialisation de l'inadéquation.
En plus des types ART de base, il existe d'autres structures plus complexes, telles que Fuzzy ART, Fusion ART et TopoART, qui sont des extensions pour plusieurs canaux de mode tels que le son et l'image.
Les défis des systèmes ART
Cependant, les catégories apprises par Fuzzy ART et ART 1 sont considérablement affectées par l’ordre dans lequel les données de formation sont traitées. Même en utilisant des taux d’apprentissage plus lents, cet effet n’a pas pu être complètement éliminé et a été considéré comme un effet secondaire du mécanisme qui assure un apprentissage stable pour les deux réseaux. Les réseaux ART plus récents et plus avancés tels que TopoART et Hypersphere TopoART fournissent une solution sans tenir compte de l'ordre dans lequel les catégories sont établies.
Ces réseaux peuvent être résumés en clusters, où la forme des clusters n’est pas affectée par l’ordre dans lequel les catégories pertinentes sont créées.
Avec les progrès de la science et de la technologie et les recherches approfondies continues de la communauté universitaire sur la théorie ART, l'application et l'amélioration de ce modèle sont toujours en cours. Comment les futurs systèmes ART pourront-ils s’adapter davantage à des environnements complexes pour favoriser le développement de technologies intelligentes ?
