Sequenzerkennung

Eine wichtige Aufgabe im Kontext nichtstationärer Umgebungen ist es, zwischen verschiedenen Arten von Bewegung unterscheiden zu lernen. Ein einfaches Experiment mit zeitlich veränderlichen Wahrnehmungen wurde durchgeführt. Eine eindimensionale `Retina', bestehend aus 5 normalen Eingabeknoten plus einem `wahren' Knoten, wurde mit einer zwei Ausgabeknoten umfassenden WTA-Einheit `vorwärtsvernetzt'. Die Ausgabeknoten waren ihrerseits untereinander vollständig bidirektional vernetzt. Die Aufgabe bestand darin, zumindest während der letzten drei Zeitschritte einer fünf Zeitschritte dauernden Eingabesequenzpräsentation den ersten Ausgabeknoten dann anzuschalten, wenn ein `Illuminationspunkt' die Retina von `rechts' nach `links' durchquerte, bzw. den zweiten Ausgabeknoten anzuschalten, wenn der Illuminationspunkt von `links' nach `rechts' wanderte.

Während eines Trainingszyklus' wurde eine der zufällig gewählten Eingabesequenzen dem Netzwerk zweimal hintereinander angeboten. Gewichtssubstanz wurde analog zu den stationären XOR-Experimenten vergeben (es handelte sich also um eine Reinforcement-Lernaufgabe). In einem von 10 Testläufen schaffte es das System nicht, innerhalb von 3000 Präsentationen eine stabile Lösung zu finden (das Kriterium für `stabil' entsprach dem für stationäre Experimente). In den verbleibenden 9 Testläufen waren durchschnittlich 223 Trainingszyklen pro Sequenz zur Auffindung einer stabilen Lösung erforderlich.

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