تعمیم شبکه های عصبی تکلایه با الگوهای صریح مثبت و منفی

در دهه اخیر، شبکه های عصبی به عنوان یک ابزار کلیدی برای حل مسایل در حوزه بازشناسی الگو و یادگیری ماشین، توجه زیادی را به خود جلب کرده است. با این وجود همچنان نحوه عملکرد آنها برای حل مسایل مختلف به طور دقیق مشخص نبوده و شبیه یک جعبه سیاه هستند. در این مقاله قصد داریم ساختاری معنادار برای وزنهای یک شبکه عصبی ارایه میکنیم که در آن وزنهای متصل به هر نورون را با دو مجموعه وزن الگو مثبت و الگو منفی جایگزین میکنیم. به طور شهودی میتوان گفت وزن های الگوی مثبت بیان کننده میزان شباهت با داده ورودی و وزنهای الگوی منفی بیانگر میزان عدم شباهت با آن است. در این صورت خروجی وزنهای الگو مثبت با ورودی از خروجی وزنهای الگو منفی با ورودی، مجزا بوده و خروجی نهایی نورون به صورت تفاضل این دو خروجی به دست می آید. همچنین برای آنکه وزنهای با الگوی مثبت و منفی بازنمایی مناسبی از مفهوم شباهت و عدم شباهت داشته باشند، نیاز است در طی فرآیند آموزش، قانون بهنگام سازی وزنها اصلاح گردد. آزمایش های انجام شده بر روی مجموعه داده MNIST، این ساختار ارایه شده را تایید می کند. همچنین از نوآوریهای دیگر این مقاله می توان به تعمیم معیار Cross-Entropy برای بکارگیری چندین الگو در شبکه های عصبی اشاره کرد که منجر به بهبود عملکرد شبکه و افزایش دقت آن می گردد.

کلیدواژه ها:

شبکه عصبی ، بصری سازی ، وزن های الگو مثبت و الگو منفی ، تابع زیان Cross-Entropy