Les xarxes neuronals entrenades instantàniament són xarxes neuronals artificials amb prealimentació que creen un nou node neuronal ocult per a cada nova mostra d'entrenament. Els pesos d'aquesta neurona oculta separen no només aquesta mostra d'entrenament, sinó també altres que hi són a prop, proporcionant així una generalització.Kak, S. On training feedforward neural networks. Pramana, vol. 40, p. 35-42, 1993 Aquesta separació es fa utilitzant l'hiperplà més proper que es pot escriure instantàniament. En les dues implementacions més importants, el veïnat de generalització varia amb la mostra d'entrenament (xarxa CC1) o roman constant (xarxa CC4). Aquestes xarxes utilitzen codificació unitària per a una representació eficaç dels conjunts de dades.
Aquest tipus de xarxa es va proposar per primera vegada en un article de Subhash Kak del 1993.Kak, S. On training feedforward neural networks. Pramana, vol. 40, p. 35-42, 1993 Des de llavors, s'han proposat xarxes neuronals entrenades instantàniament com a models d'aprenentatge a curt termini i s'han utilitzat en aplicacions de cerca web i predicció de sèries temporals financeres. També s'han utilitzat en la classificació instantània de documents i per a l'aprenentatge profund i la mineria de dades.
Com en altres xarxes neuronals, el seu ús normal és com a programari, però també s'han implementat en maquinari mitjançant FPGA i mitjançant implementació òptica.
Xarxa CC4 A la xarxa CC4, que és una xarxa de tres etapes, el nombre de nodes d'entrada és un més gran que la mida del vector d'entrenament, amb el node addicional que serveix com a node de polarització, l'entrada del qual sempre és 1. Per a vectors d'entrada binària, els pesos dels nodes d'entrada a la neurona oculta (per exemple, d'índex j) corresponent al vector entrenat es donen mitjançant la fórmula següent:
on és el radi de generalització i és el pes de Hamming (el nombre d'1s) de la seqüència binària. Des de la capa oculta fins a la capa de sortida, els pesos són 1 o -1 depenent de si el vector pertany a una classe de sortida determinada o no. Les neurones de les capes oculta i de sortida donen 1 si la suma ponderada a l'entrada és 0 o positiva i 0 si la suma ponderada a l'entrada és negativa:
Altres xarxes La xarxa CC4 també s'ha modificat per incloure entrades no binàries amb diferents radis de generalització, de manera que proporciona eficaçment una implementació CC1.
En les xarxes de retroalimentació, tant la xarxa Willshaw com la xarxa Hopfield són capaces d'aprendre instantàniament.
Referències
Categoria:Xarxes neuronals artificials