ZIELFUNKTIONSKOMBINATIONEN

Der geradlinige Ansatz, die gleichzeitige Erfüllung aller drei Kriterien zu ermutigen, besteht darin, das Gesamtperformanzmaß

$$T = \alpha V - \beta I - \gamma H$$ (6.6)

zu maximieren. $\alpha, \beta, \gamma$ sind dabei nicht-negative Konstanten, die die relative Gewichtung der teilweise miteinander im Konflikt stehenden Terme bestimmen. Sind $\alpha, \beta, \gamma$ positiv, so ermutigt $T$'s Maximierung die Repräsentationsknoten, stets binäre Werte anzunehmen, so daß wechselseitige Unabhängigkeit maximiert wird, während gleichzeitig der Rekonstruktionsfehler minimiert wird.

Related links in English: Recurrent networks - Fast weights - Subgoal learning - Reinforcement learning and POMDPs - Unsupervised learning and ICA - Metalearning and learning to learn
Deutsche Heimseite