WikiDer > Нейронный газ

Neural gas

Нейронный газ является искусственная нейронная сеть, вдохновленный самоорганизующаяся карта и введен в 1991 г. Томас Мартинец и Клаус Шультен.^[1] Нейронный газ - это простой алгоритм поиска оптимальных представлений данных на основе векторы признаков. Алгоритм был придуман как «нейронный газ» из-за динамики векторов признаков во время процесса адаптации, которые распределяются как газ в пространстве данных. Применяется там, где Сжатие данных или же векторное квантование это проблема, например распознавание речи,^[2] обработка изображений^[3] или же распознавание образов. Как надежно сходящаяся альтернатива k-означает кластеризацию он также используется для кластерный анализ.^[4]

Алгоритм

Учитывая распределение вероятностей ${ Displaystyle P (x)}$ векторов данных ${ displaystyle x}$ и конечное число векторы признаков ${ Displaystyle ш_ {я}, я = 1, cdots, N}$ .

С каждым шагом по времени ${ displaystyle t}$ , вектор данных ${ displaystyle x}$ случайно выбран из ${ Displaystyle P (x)}$ представлено. Впоследствии порядок расстояния векторов признаков до данного вектора данных ${ displaystyle x}$ определен. Позволять ${ displaystyle i_ {0}}$ обозначают индекс ближайшего вектора признаков, ${ displaystyle i_ {1}}$ индекс второго ближайшего вектора признаков, и ${ displaystyle i_ {N-1}}$ индекс вектора признаков, наиболее удаленный от ${ displaystyle x}$ . Затем каждый вектор признаков адаптируется в соответствии с

{ displaystyle w_ {i_ {k}} ^ {t + 1} = w_ {i_ {k}} ^ {t} + varepsilon cdot e ^ {- k / lambda} cdot (x-w_ {i_ {k}} ^ {t}), k = 0, cdots, N-1}

с ${ displaystyle varepsilon}$ как размер шага адаптации и ${ displaystyle lambda}$ как так называемый район соседства. ${ displaystyle varepsilon}$ и ${ displaystyle lambda}$ уменьшаются с увеличением ${ displaystyle t}$ . После достаточно большого количества шагов адаптации векторы признаков покрывают пространство данных с минимальной ошибкой представления.^[5]

Шаг адаптации нервного газа можно интерпретировать как градиентный спуск на функция стоимости. Путем адаптации не только ближайшего вектора признаков, но и всех их с шагом, уменьшающимся с увеличением расстояния, по сравнению с (онлайн) k-означает кластеризацию может быть достигнута гораздо более надежная сходимость алгоритма. Модель нейронного газа не удаляет узел, а также не создает новые узлы.

Варианты

В литературе существует ряд вариантов алгоритма нейронного газа, позволяющих устранить некоторые из его недостатков. Более примечателен, пожалуй, растущий нервный газ Бернд Фрицке,^[6] но также следует упомянуть дальнейшие разработки, такие как сеть Growing When Required.^[7] а также постепенно растущий нервный газ.^[8]. Подход, ориентированный на производительность, который позволяет избежать риска переобучения, - это модель газа пластической нейронной сети. ^[9].

Растущий нервный газ

Фрицке описывает растущий нейронный газ (GNG) как инкрементную сетевая модель, которая изучает топологические отношения с помощью "Hebb-подобное обучающее правило »,^[6] только, в отличие от нейронного газа, у него нет параметров, которые меняются во времени, и он способен к непрерывному обучению, то есть обучению на потоках данных. GNG широко используется в нескольких областях,^[10] демонстрируя свои возможности для постепенной кластеризации данных. GNG инициализируется двумя случайно расположенными узлами, которые изначально связаны с границей нулевого возраста и ошибки которых установлены в 0. Поскольку входные данные GNG представлены последовательно один за другим, на каждой итерации выполняются следующие шаги:

Рассчитываются ошибки (расстояния) между двумя ближайшими узлами к текущим входным данным.
Ошибка победившего узла (только ближайшего) соответственно накапливается.
Узел-победитель и его топологические соседи (соединенные ребром) движутся к текущему входу с разной долей их соответствующих ошибок.
Возраст всех ребер, подключенных к узлу-победителю, увеличивается.
Если победивший узел и второй победитель соединены ребром, такое ребро устанавливается в 0. Если они созданы, ребро создается между ними.
Если есть ребра с возрастом больше порога, они удаляются. Узлы без подключений исключены.
Если текущая итерация является целым числом, кратным заранее заданному порогу создания частоты, новый узел вставляется между узлом с наибольшей ошибкой (среди всех) и его топологическим соседом, представляющим наибольшую ошибку. Связь между первым и вторым узлами устраняется (их ошибки уменьшаются в заданный коэффициент), и новый узел подключается к ним обоим. Ошибка нового узла инициализируется как обновленная ошибка узла, у которого была наибольшая ошибка (среди всех).
Суммарная ошибка всех узлов уменьшается на заданный коэффициент.
Если критерий остановки не выполняется, алгоритм принимает следующие данные. Критерием может быть заданное количество эпох, то есть заранее заданное количество раз, когда все данные будут представлены, или достижение максимального количества узлов.

Постепенно растущий нервный газ

Другой вариант нейронного газа, вдохновленный алгоритмом GNG, - это инкрементально растущий нервный газ (IGNG). Авторы предлагают главным преимуществом этого алгоритма «изучение новых данных (пластичность) без ухудшения ранее обученной сети и забвения старых входных данных (стабильность)».^[8]

Выращивание при необходимости

Наличие сети с растущим набором узлов, подобной той, которая реализована с помощью алгоритма GNG, рассматривалось как большое преимущество, однако некоторое ограничение на обучение было замечено введением параметра λ, при котором сеть могла бы только расти, когда итерации были кратны этому параметру.^[7] Предложением по смягчению этой проблемы был новый алгоритм, сеть Growing When Required (GWR), который ускорял бы рост сети, добавляя узлы как можно быстрее всякий раз, когда сеть определяла, что существующие узлы не будут хорошо описывать входные данные. довольно.

Пластичный нервный газ

Возможность только расширять сеть может быстро вызвать переоснащение; с другой стороны, удаление узлов только на основе возраста, как в модели GNG, не гарантирует, что удаленные узлы фактически бесполезны, потому что удаление зависит от параметра модели, который должен быть тщательно настроен на «длину памяти» поток входных данных.

Модель "пластического нейронного газа" ^[9] решает эту проблему, принимая решения о добавлении или удалении узлов с помощью неконтролируемой версии перекрестной проверки, которая контролирует эквивалентное понятие «способность к обобщению» для неконтролируемой настройки.

Реализации

Чтобы найти рейтинг ${ displaystyle i_ {0}, i_ {1}, ldots, i_ {N-1}}$ Из векторов признаков алгоритм нейронного газа включает в себя сортировку, которая представляет собой процедуру, которая не поддается легко распараллеливанию или реализации на аналоговом оборудовании. Однако реализации в обоих параллельных программах ^[11] и аналоговое оборудование^[12] были действительно разработаны.

дальнейшее чтение

Т. Мартинец, С. Беркович, К. Шультен. Сеть "Neural-gas" для векторного квантования и ее применение для прогнозирования временных рядов. IEEE-Transactions on Neural Networks, 4 (4): 558-569, 1993.
Martinetz, T .; Шультен, К. (1994). «Топология, представляющая сети». Нейронные сети. 7 (3): 507–522. Дои:10.1016/0893-6080(94)90109-0.

внешняя ссылка

DemoGNG.js Симулятор Javascript для Neural Gas (и других сетевых моделей)
Приложения для соревновательного обучения Java Неконтролируемые нейронные сети (включая самоорганизующуюся карту) на Java с исходными кодами.
формальное описание алгоритма нейронного газа
Реализация GNG и GWR Classifier в Matlab

[1] Томас Мартинец и Клаус Шультен (1991). «Сеть« нейронный газ »изучает топологии» (PDF). Искусственные нейронные сети. Эльзевир. С. 397–402.

[2] Ф. Курателли и О. Майора-Иберра (2000). «Соревновательные методы обучения для эффективного векторного квантования в среде распознавания речи». В Освальдо Кайро; Л. Энрике Сукар; Франсиско Дж. Канту-Ортис (ред.). MICAI 2000: Достижения в области искусственного интеллекта: Мексиканская международная конференция по искусственному интеллекту, Акапулько, Мексика, апрель 2000: протоколы. Springer. п. 109. ISBN 978-3-540-67354-5.CS1 maint: использует параметр авторов (связь)

[3] Ангелопулу, Анастасия и Псарроу, Александра и Гарсия Родригес, Хосе и Реветт, Кеннет (2005). «Автоматическое обозначение 2D медицинских фигур с использованием растущей нейронной газовой сети». В Яньси Лю; Тяньцзи Цзян; Чаншуй Чжан (ред.). Компьютерное зрение для приложений биомедицинских изображений: первый международный семинар, CVBIA 2005, Пекин, Китай, 21 октября 2005 г .: протоколы. Springer. п. 210. Дои:10.1007/11569541_22. ISBN 978-3-540-29411-5.CS1 maint: использует параметр авторов (связь)

[4] Фернандо Каналес и Макс Чакон (2007). «Модификация алгоритма растущего нейронного газа для кластерного анализа». В Луисе Руэде; Доминго Мери (ред.). Прогресс в распознавании образов, анализе изображений и приложениях: 12-й Ибероамериканский конгресс по распознаванию образов, CIARP 2007, Винья-дель-Мар-Вальпараисо, Чили, 13–16 ноября 2007 г .; судебное разбирательство. Springer. С. 684–693. Дои:10.1007/978-3-540-76725-1_71. ISBN 978-3-540-76724-4.CS1 maint: использует параметр авторов (связь)

[5] ttp://wwwold.ini.rub.de/VDM/research/gsn/JavaPaper/img187.gif^{[мертвая ссылка]}

[:0-6] а ^б Фрицке, Бернд (1995). «Растущая нейронная газовая сеть изучает топологии». Достижения в системах обработки нейронной информации. 7: 625–632. Получено 2016-04-26.

[:1-7] а ^б Марсленд, Стивен; Шапиро, Джонатан; Нехмцов, Ульрих (2002). «Самоорганизующаяся сеть, которая расширяется по мере необходимости». Нейронные сети. 15 (8): 1041–1058. CiteSeerX 10.1.1.14.8763. Дои:10.1016 / s0893-6080 (02) 00078-3. PMID 12416693.

[:2-8] а ^б Прудент, Янн; Эннаджи, Абдельлатиф (2005). Постепенно растущий нервный газ изучает топологии. Нейронные сети, 2005. IJCNN'05. Ход работы. 2005 Совместная международная конференция IEEE по. 2. С. 1211–1216. Дои:10.1109 / IJCNN.2005.1556026. ISBN 978-0-7803-9048-5. S2CID 41517545.

[pgas-9] а ^б Риделла, Сандро; Роветта, Стефано; Зунино, Родольфо (1998). «Пластический алгоритм адаптивного векторного квантования». Нейронные вычисления и приложения. 7: 37–51. Дои:10.1007 / BF01413708. S2CID 1184174.

[10] Икбал, Хафса; Кампо, Дамиан; Байдун, Мохамад; Марченаро, Лучио; Мартин, Дэвид; Регаццони, Карло (2019). «Оптимизация кластеризации для обнаружения аномалий в полуавтономных системах». St Международный семинар по мультимодальному пониманию и изучению воплощенных приложений: 33–41. Дои:10.1145/3347450.3357657. ISBN 9781450369183.

[11] Анкона, Фабио; Роветта, Стефано; Зунино, Родольфо (1996). «Параллельный подход к пластическому нейронному газу». Труды Международной конференции по нейронным сетям (ICNN'96). 1: 126–130. Дои:10.1109 / ICNN.1996.548878. ISBN 0-7803-3210-5. S2CID 61686854.

[12] Анкона, Фабио; Роветта, Стефано; Зунино, Родольфо (1997). «Аппаратная реализация нейронного газа». Труды Международной конференции по нейронным сетям (ICNN'97). 2: 991–994. Дои:10.1109 / ICNN.1997.616161. ISBN 0-7803-4122-8. S2CID 62480597.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

Navigation