Man gibt dem lernenden NN-System die Möglichkeit, durch
adaptive Aktionen bestimmte Eingaben von der Umgebung
`auszublenden' und andere `hervorzuheben'. Das ist
im Prinzip auf vielfältige
Weise machbar: Zum Beispiel könnte man sich vorstellen, daß
für jeden Eingabeknoten 
ein von einem zentralen
adaptiven NN aktivierter
Ausgabeknoten 
existiert, dessen Aufgabe darin besteht, die
gegenwärtig bei anliegende Eingabe `durchzulassen'
oder nicht.
Mit Hilfe des Systemidentifikationsansatzes (oder anderer Ansätze für R-Lernen) können derartige Ein-/Ausblendeaktionen in sinnvoller Weise adaptiv gemacht werden. Was man für den Systemidentifikationsansatz braucht, ist ein adaptives Modell des Nutzens von bestimmten Aus- und Einblendeoperationen in bestimmten Kontexten. Wie im 6. Kapitel ausgeführt, kann solch ein Modell zur Berechnung von Fehlergradienten für das die Ein- und Ausblendeaktionen triggernde Netzwerk verwendet werden.
Die einzige weitere Arbeit, die sich bisher mit adaptiver selektiver räumlicher Aufmerksamkeit beschäftigt hat, ist der vor kurzem erschienene technische Bericht von Whitehead und Ballard [76]. Whitehead verwendet sogenannte `marker', die im Kontext einer Blockwelt an bestimmte Eigenschaften des Umgebungszustandes gebunden werden und diese hervorheben können. Das Erlernen einer gewissen Art von selektiver Aufmerksamkeit findet durch einen von TD-Methoden inspirierten Algorithmus statt.