Die Art der verwendeten neuronalen Netze

Alle in den folgenden Kapiteln untersuchten neuronalen Netze bestehen aus zu biologischen Neuronen korrespondierenden Knoten und und aus zu biologischen Nervenfasern korrespondierenden gerichteten Kanten. Zu jedem Knoten gehört zu jedem Zeitpunkt eine der Feuerrate eines Neurons entsprechende reelle Aktivation. Zu jeder Kante gehört ein zu einer Synapsenstärke korrespondierendes Gewicht. Eingabeknoten werden zu jedem Zeitpunkt durch sensorische Wahrnehmung von der Umgebung aktiviert. Die typische Aktion eines Nicht-Eingabeknotens $k$ besteht zu einem gegebenen Zeitpunkt in der Aufsummierung der gewichteten Aktivationen derjenigen Knoten, von denen $k$ Verbindungen erhält. Das Resultat wird einer monoton wachsenden beschränkten Aktivierungsfunktion zur Berechnung von $k$'s eigener Aktivation übergeben. Die Aktivationen mancher der Nicht-Eingabeknoten werden als Steuersignale für Effektoren zur Manipulation externer Prozesse interpretiert. Lernregeln sollen die Gewichte mit der Zeit dergestalt verändern, daß sich ein vorgegebenes Performanzmaß für das vom Gesamtsystem gezeigte Verhalten verbessert.

Die grundlegenden Bausteine der im folgenden vorgestellten NN sind also recht konventionell. Nicht berücksichtigt werden zum Beispiel Konzepte wie `Knoten höherer Ordnung' oder `dynamische Gewichte'. Der Grund dafür liegt darin, daß gegenwärtig nicht klar ersichtlich ist, ob derartige Konstrukte entscheidende Vorteile mit sich bringen.

Related links in English: Recurrent neural networks - Subgoal learning - Reinforcement learning and POMDPs - Reinforcement learning economies - Selective attention
Deutsche Heimseite