Binární faktorová analýza pomocí Hopfieldovy neuronové sítě: Jednokroková aproximace a počítačová simulace
Popis výsledku
Učení extrakce příznaků bez učitele, ve vysocedimenziálních vzorech, je centrálním problémem Neuronového přístupu. Extrakce příznaků je procedura, která zobrazuje originální vzory do prostoru příznaků (faktorů) menší dimenze. V této práci dokazujeme, žeHebbovo učení v síti Hopfieldova typu je přirozenou procedurou pro učení extrakce příznaků bez učitele. Makroskopické chování této sítě je modelováno pomocí aproximace prvního kroku (single step aproximation).
Klíčová slova
nonlinear binary factor analysisfeature extractionrecurrent neural networkSingle-Step approximationneurodynamics simulationattraction basinsHebbian learningunsupervised learningneurosciencebrain function modeling
Identifikátory výsledku
Kód výsledku v IS VaVaI
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Binary Factorization in Hopfield-Like Neural Networks: Single-Step Approximation and Computer Simulations
Popis výsledku v původním jazyce
The unsupervised learning of feature extraction in high-dimensional patterns space is a central problem for the neural network approach. Feature extraction is a procedure which maps original patterns into the feature (or factor) space of reduced dimension. In this paper we demonstrate that Hebbian learning in Hopfield-like neural network is a natural procedure for unsupervised learning of feature extraction. Due to this learning, factors become the attractors of network dynamics, hence they can be revealed by the random search. The neurodynamics is analysed by Single-Step approximation which is known citeFROHUM97 to be rather accurate for sparsely encoded Hopfield-network. Thus, the analysis is restricted by the case of sparsely encoded factors. The accuracy of Single-Step approximation is confirmed by computer simulations.
Název v anglickém jazyce
Binary Factorization in Hopfield-Like Neural Networks: Single-Step Approximation and Computer Simulations
Popis výsledku anglicky
The unsupervised learning of feature extraction in high-dimensional patterns space is a central problem for the neural network approach. Feature extraction is a procedure which maps original patterns into the feature (or factor) space of reduced dimension. In this paper we demonstrate that Hebbian learning in Hopfield-like neural network is a natural procedure for unsupervised learning of feature extraction. Due to this learning, factors become the attractors of network dynamics, hence they can be revealed by the random search. The neurodynamics is analysed by Single-Step approximation which is known citeFROHUM97 to be rather accurate for sparsely encoded Hopfield-network. Thus, the analysis is restricted by the case of sparsely encoded factors. The accuracy of Single-Step approximation is confirmed by computer simulations.
Klasifikace
Druh
Jx - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
BA - Obecná matematika
OECD FORD obor
—
Návaznosti výsledku
Projekt
GA201/01/1192: Výzkum schopností neuronových sítí provádět nelineární Booleovskou faktorovou analýzu
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2004
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neural Network World
ISSN
1210-0552
e-ISSN
—
Svazek periodika
14
Číslo periodika v rámci svazku
2
Stát vydavatele periodika
CZ - Česká republika
Počet stran výsledku
14
Strana od-do
139-152
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—
Druh výsledku
Jx - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP
BA - Obecná matematika
Rok uplatnění
2004