Нейронний газ

Нейронний газ — це штучна нейронна мережа, натхненна самоорганізаційною картою і введена в 1991 році ^[en] і Клаусом Шультеном. Нейронний газ є простим алгоритмом для знаходження оптимальних відображень даних на основі векторів ознак. Алгоритм був названий «нейронним газом» через схожість динаміки векторів ознак в процесі адаптації, які розподіляють себе як газ в просторі даних. Він застосовується там, де стиснення даних або ^[en] є проблемою в таких областях, як розпізнавання мовлення,обробка зображень або розпізнавання образів. Кластеризація методом k-середніх також використовується для кластерного аналізу, як надійно збіжна альтернатива.

Алгоритм

Дано розподіл ймовірностей ${\displaystyle P(x)}$ векторів даних ${\displaystyle x}$ і скінченне число векторів ознак ${\displaystyle w_{i},i=1,\cdots ,N}$.

З кожним кроком часу ${\displaystyle t}$,представлений вектор даних ${\displaystyle x}$ випадково вибирають з ${\displaystyle P(x)}$. Потім визначається порядок відстані векторів ознак до заданого вектора даних ${\displaystyle x}$. Нехай ${\displaystyle i_{0}}$ позначає індекс найближчого вектора ознаки, ${\displaystyle i_{1}}$ — індекс другого найближчого вектора ознак, а ${\displaystyle i_{N-1}}$ — індекс вектора ознак, найбільш віддаленого вектора ${\displaystyle x}$. Потім кожен вектор ознак адаптується відповідно до

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

де ${\displaystyle \varepsilon }$ — розмір етапу адаптації і ${\displaystyle \lambda }$ — так званий діапазон сусідства. Значення ${\displaystyle \varepsilon }$ та ${\displaystyle \lambda }$ зменшуються зі збільшенням ${\displaystyle t}$. Після досить багатьох етапів адаптації вектори ознак охоплюють простір даних з мінімальною помилкою подання.

Етап адаптації нейронного газу можна інтерпретувати як градієнтний спуск за функцією втрат. Шляхом адаптації не тільки найближчого вектора ознак, але й усіх векторів зі зменшенням розміру кроку при збільшенні порядку відстані. У порівнянні з (онлайн) кластеризацією методом k-середніх можна досягти набагато більш надійної збіжності алгоритму. Модель нейронного газу не видаляє вузлів, також не створює нових вузлів.

Варіанти

У літературі існує ряд варіантів алгоритму нейронного газу, що дозволяє пом'якшити деякі його недоліки. Більш помітним є, можливо, зростаючий нейронний газ Бернда Фріцке, але також слід згадати подальші розробки, такі як зростаюча при необхідності мережа, а також додатковий зростаючий нейронний газ.

Зростаючий нейронний газ

Фрітцке описує зростаючий нейронний газ (ЗНГ) як модель інкрементної мережі, яка вивчає топологічні відносини, використовуючи «правило навчання, подібне до Хебба», на відміну від нейронного газу, він не має параметрів, які змінюються з часом, він здатний до безперервного навчання.

Зростаюча при необхідності мережа

Наявність мережі зі зростаючою множиною вузлів, подібно до того, що реалізовано алгоритмом ЗНГ, розглядалося як велика перевага, однак, деяке обмеження на навчання було помічено введенням параметра λ, в якому мережа зможе зростати тільки тоді, коли ітерації були б кратними цьому параметру. Пропозицією пом'якшити цю проблему був новий алгоритм — мережа «Зростаючий при необхідності» (ЗПН), яка дозволила б зрости мережу швидше, шляхом додавання вузлів якомога швидше, коли мережа виявила, що існуючі вузли не будуть досить добре описувати вхідні дані.

Інкрементно зростаючий нейронний газ

Іншим варіантом нейронного газу, натхненного алгоритмом ЗНГ, є інкрементно зростаючий нейронний газ (ІЗНГ). Авторами припускають, що основною перевагою цього алгоритму є «вивчення нових даних (пластичність) без погіршення раніше підготовленої мережі та забування старих вхідних даних (стабільності).»

Примітки

1. Thomas Martinetz and Klaus Schulten (1991). A "neural gas" network learns topologies (PDF). Artificial Neural Networks. Elsevier. с. 397—402.
2. F. Curatelli and O. Mayora-Iberra (2000). Competitive learning methods for efficient Vector Quantizations in a speech recognition environment. У Osvaldo Cairó, L. Enrique Sucar, Francisco J. Cantú-Ortiz (ред.). MICAI 2000: Advances in artificial intelligence : Mexican International Conference on Artificial Intelligence, Acapulco, Mexico, April 2000 : proceedings. Springer. с. 109. ISBN .
3. Angelopoulou, Anastassia and Psarrou, Alexandra and Garcia Rodriguez, Jose and Revett, Kenneth (2005). Automatic landmarking of 2D medical shapes using the growing neural gas network. У Yanxi Liu, Tianzi Jiang, Changshui Zhang (ред.). Computer vision for biomedical image applications: first international workshop, CVBIA 2005, Beijing, China, October 21, 2005 : proceedings. Springer. с. 210. doi:10.1007/11569541_22. ISBN .
4. Fernando Canales and Max Chacon (2007). Modification of the growing neural gas algorithm for cluster analysis. У Luis Rueda, Domingo Mery, Josef Kittler, International Association for Pattern Recognition (ред.). Progress in pattern recognition, image analysis and applications: 12th Iberoamerican Congress on Pattern Recognition, CIARP 2007, Viña del Mar-Valparaiso, Chile, November 13–16, 2007 ; proceedings. Springer. с. 684—693. doi:10.1007/978-3-540-76725-1_71. ISBN .
5. http://wwwold.ini.rub.de/VDM/research/gsn/JavaPaper/img187.gif^{[недоступне посилання з 01.01.2016]}
6. Fritzke, Bernd (1995). A Growing Neural Gas Network Learns Topologies. Advances in Neural Information Processing Systems. 7: 625—632. Процитовано 26 квітня 2016.
7. Marsland, Stephen; Shapiro, Jonathan; Nehmzow, Ulrich (2002). A self-organising network that grows when required. Neural Networks. 15 (8): 1041—1058. CiteSeerX 10.1.1.14.8763. doi:10.1016/s0893-6080(02)00078-3.
8. Prudent, Yann; Ennaji, Abdellatif (2005). An incremental growing neural gas learns topologies. Т. 2. с. 1211—1216. doi:10.1109/IJCNN.2005.1556026. ISBN . Процитовано 26 квітня 2016. {{}}: Проігноровано |journal= ()

Посилання

• DemoGNG.js Javascript симулятор нейронного газу (та інших мережевих моделей)
• Unsupervised Neural Networks (including Self-organizing map) in Java with source codes.
• формальний опис алгоритму нейронного газу
• ЗНГ та ЗПН реалізація класифікатора в Matlab