无监督式学习网络

无监督式学习网络(Unsupervised Learning Network)是人工智能网络的一种算法(algorithm),其目的是去对原始资料进行分类,以便了解资料内部结构。有别于监督式学习网络,无监督式学习网络在学习时并不知道其分类结果是否正确,亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例,而它会自动从这些范例中找出其潜在类别规则。当学习完毕并经测试后,也可以将之应用到新的案例上。

无监督式学习网络


算法

无监督式学习网络的算法一般仅涉及单一个核心模组,但重复多次计算而已。细节如下解释:

将输入层各节点的激发程度表示为  ,输出层各节点的激发程度表示为  ,从输入层各节点指向输出层各节点的网络路径值表示为  。输出层各节点间则为互相抑制,亦即  是一个对角线均为零,其余元素为-1的矩阵。

核心模组的计算分为两部分:

第一部分是想知道,当基于目前   的情况下,若欲使网络稳定的话,则输出层各节点激发程度 ( ) 应该形成何种型态?计算乃遵循下列公式:

步骤1:  

步骤2:  

重复此二步骤的   的更新,直到   低于某个临界值(如:0.001)

第二部分是想知道,若要得到刚才的   激发型态的话,则应该反映在   的何种调整上,以便使得   可以更直接透过   来得到  ?公式如下: 

最后整体计算便将所有的输入资料分别透过上述的核心模组来得到  ,然后全部加总后,更新到实际的   上头,并重复所有步骤若干次(如:50次)即可。

常见的应用

1. 聚类分析 (clustering analysis)

2. 降维 (dimensionality reduction)

特定的无监督式学习网络

1. 自组织对映 (Self-Organizing Map, SOM): SOM是由Kohonen于1982年所提出,目的在于用一个较低维度的拓扑图(topographic map)以视觉化(visualiztion)的方式说明高维度的资料情况。属于前馈式、无监督式学习网络,同时亦是竞争式学习网络。其特征能够在输入范例的学习过程中,产生自我组织性而需要依靠目标输出值修正误差,亦可展现输入范例的分布或相似性,具有将输入集合聚类到相似群组中的能力。

2. 适应性共振理论网络 (Adaptive Resonance Theory, ART; Carpenter & Grossberg, 1988)

相关条目