Language
Country/Area
No result found
Dari Sederhana ke Kompleks: Bagaimana Sistem ART Mengembangkan Jaringan Saraf yang Beragam?
Dalam bidang kecerdasan buatan, Teori Resonansi Adaptif (ART) secara bertahap menarik perhatian sebagai model untuk mengeksplorasi pemrosesan informasi otak. Didirikan oleh Stephen Grossberg dan Gail Carpenter, teori ini menyediakan serangkaian model jaringan saraf tiruan yang menggunakan metode pembelajaran terbimbing dan tak terbimbing untuk memproses pola. Masalah identifikasi dan prediksi. Konsep inti ART adalah bahwa pengenalan dan kognisi objek biasanya merupakan hasil interaksi antara ekspektasi observasi "atas-bawah" dan informasi sensorik "bawah-atas".
Model ART mengasumsikan bahwa ekspektasi "atas-bawah" ada dalam bentuk templat memori atau prototipe, yang dibandingkan dengan fitur aktual objek yang dipersepsikan.
Perbandingan ini menghasilkan ukuran derajat sifat kategoris, dan selama perbedaan antara persepsi dan ekspektasi tidak melebihi ambang batas yang ditetapkan yang disebut "parameter peringatan", objek yang dipersepsikan akan dianggap sebagai anggota kategori yang diharapkan. Sistem ART dengan demikian mengusulkan solusi untuk masalah "plastisitas/stabilitas", yaitu pembelajaran inkremental sambil memperoleh pengetahuan baru tanpa merusak pengetahuan yang ada.
Model Pembelajaran
Sistem ART dasar adalah model pembelajaran tanpa pengawasan, yang biasanya terdiri dari bidang perbandingan dan bidang pengenalan, dan berisi neuron, parameter peringatan, dan modul pengaturan ulang. Bidang perbandingan menerima vektor masukan dan mentransfernya ke neuron di bidang pengenalan yang paling cocok dengannya. Neuron optimal untuk pencocokan ini mengeluarkan sinyal negatif, yang menghambat neuron lain, sehingga bidang pengenalan menunjukkan karakteristik penghambatan lateral, yang memungkinkan setiap neuron mewakili suatu kategori.
Setelah menyelesaikan klasifikasi vektor masukan, modul pengaturan ulang akan membandingkan kekuatan pencocokan pengenalan dengan parameter peringatan dan memutuskan apakah akan memulai pelatihan berdasarkan hasilnya.
Jika kecocokan pengenalan melampaui parameter peringatan, pelatihan akan dimulai dan bobot neuron pengenalan pemenang akan disesuaikan; jika gagal melewati batas, proses pencarian akan dilakukan untuk terus menonaktifkan neuron pengenalan aktif hingga kecocokan yang memenuhi parameter peringatan ditemukan. Proses ini dan efeknya dipengaruhi secara signifikan oleh parameter kewaspadaan, dengan parameter kewaspadaan tinggi menghasilkan memori terperinci dan parameter kewaspadaan rendah menghasilkan memori yang lebih umum.
Metode Pelatihan
Ada dua metode pelatihan utama untuk jaringan saraf berbasis ART: pembelajaran lambat dan pembelajaran cepat. Metode pembelajaran lambat menggunakan persamaan diferensial untuk menghitung seberapa banyak bobot yang harus disesuaikan, tergantung pada seberapa lama vektor input hadir; pembelajaran cepat menggunakan persamaan aljabar untuk menghitung perubahan bobot yang diperlukan.
Meskipun pembelajaran cepat efisien dan efektif dalam banyak tugas, metode pembelajaran lambat lebih masuk akal secara biologis dan dapat digunakan untuk jaringan waktu berkelanjutan.
Berbagai jenis sistem ART
Selama evolusi ART, berbagai jenis telah muncul, seperti ART 1 yang berfokus pada masukan biner dan ART 2 yang mendukung masukan berkelanjutan. ART 2-A adalah versi yang disederhanakan dari ART 2, dengan peningkatan kecepatan lari yang signifikan. ART 3 didasarkan pada ART 2 dan mensimulasikan pengaturan aktivitas sinaptik oleh neurotransmiter eksternal, yang menyediakan mekanisme yang lebih masuk akal secara fisiologis untuk menghambat sebagian kategori yang menghasilkan pengaturan ulang ketidakcocokan.
Selain jenis ART dasar, ada struktur lain yang lebih kompleks, seperti Fuzzy ART, Fusion ART, dan TopoART, yang merupakan perluasan untuk beberapa saluran mode seperti suara dan gambar.
Tantangan Sistem ART
Namun, kategori yang dipelajari oleh Fuzzy ART dan ART 1 sangat dipengaruhi oleh urutan pemrosesan data pelatihan. Bahkan dengan menggunakan kecepatan pembelajaran yang lebih lambat, efek ini tidak dapat dihilangkan sepenuhnya dan dianggap sebagai efek samping dari mekanisme yang memastikan pembelajaran yang stabil untuk kedua jaringan. Jaringan ART yang lebih baru dan lebih canggih seperti TopoART dan Hypersphere TopoART memberikan solusi tanpa mempertimbangkan urutan pembuatan kategori.
Jaringan ini dapat diringkas menjadi kluster, di mana bentuk kluster tidak dipengaruhi oleh urutan pembuatan kategori yang relevan.
Dengan kemajuan ilmu pengetahuan dan teknologi serta penelitian mendalam berkelanjutan dari komunitas akademis tentang teori ART, penerapan dan peningkatan model ini masih berlangsung. Bagaimana sistem ART di masa mendatang dapat beradaptasi lebih jauh dengan lingkungan yang kompleks untuk mendorong pengembangan teknologi cerdas?
