跳至內容

無監督式學習網路

維基百科,自由的百科全書

無監督式學習網絡(Unsupervised Learning Network)是人工智慧網絡的一種演算法(algorithm),其目的是去對原始資料進行分類,以便瞭解資料內部結構。有別於監督式學習網絡,無監督式學習網絡在學習時並不知道其分類結果是否正確,亦即沒有受到監督式增強(告訴它何種學習是正確的)。其特點是僅對此種網絡提供輸入範例,而它會自動從這些範例中找出其潛在類別規則。當學習完畢並經測試後,也可以將之應用到新的案例上。

無監督式學習網絡


演算法

無監督式學習網絡的演算法一般僅涉及單一個核心模組,但重複多次計算而已。細節如下解釋:

將輸入層各節點的激發程度表示為 ,輸出層各節點的激發程度表示為 ,從輸入層各節點指向輸出層各節點的網絡路徑值表示為 。輸出層各節點間則為互相抑制,亦即 是一個對角線均為零,其餘元素為-1的矩陣。

核心模組的計算分為兩部份:

第一部份是想知道,當基於目前 的情況下,若欲使網絡穩定的話,則輸出層各節點激發程度 () 應該形成何種型態?計算乃遵循下列公式:

步驟1:

步驟2:

重複此二步驟的 的更新,直到 低於某個臨界值(如:0.001)

第二部份是想知道,若要得到剛才的 激發型態的話,則應該反映在 的何種調整上,以便使得 可以更直接透過 來得到 ?公式如下:

最後整體計算便將所有的輸入資料分別透過上述的核心模組來得到 ,然後全部加總後,更新到實際的 上頭,並重複所有步驟若干次(如:50次)即可。

常見的應用

1. 聚類分析 (clustering analysis)

2. 降維 (dimensionality reduction)

特定的無監督式學習網絡

1. 自組織對映 (Self-Organizing Map, SOM): SOM是由Kohonen於1982年所提出,目的在於用一個較低維度的拓撲圖(topographic map)以視覺化(visualiztion)的方式說明高維度的資料情況。屬於前饋式、無監督式學習網絡,同時亦是競爭式學習網絡。其特徵能夠在輸入範例的學習過程中,產生自我組織性而需要依靠目標輸出值修正誤差,亦可展現輸入範例的分佈或相似性,具有將輸入集合聚類到相似群組中的能力。

2. 適應性共振理論網絡 (Adaptive Resonance Theory, ART; Carpenter & Grossberg, 1988)

相關條目