Výraznou črtou ľudskej pamäti je jej schopnosť učiť sa nové veci bez
toho, aby zabúdala predtým nadobudnuté vedomosti. Bolo by veľmi
výhodné, ak by sa podarilo vytvoriť umelé neurónové siete s podobnými
vlastnosťami. Ale väčšina dosiaľ používaných neurónových sietí túto
schopnosť nemá a skôr má sklon zabúdať staré znalosti v prípade, že sa
pokúšame doplniť nejaké znalosti nové. Napríklad, ak sme sieť typu FF NN s učiacim algoritmom
backpropagation naučili 10 vecí a chceme doplniť jednu novú, sieť musí
byť trénovaná odznova použitím všetkých 11 vzoriek. Tento problém je
potrebné riešiť, v prípade, že chceme vytvoriť systém schopný
autonómne sa prispôsobiť nečakaným zmenám vonkajšieho prostredia
v reálnom čase. Ukázalo sa, že systém vyhovujúci pre daný problém by mal
optimálne riešiť spomínanú dilemu stability a plasticity.
Vlastnosti stability a plasticity môžu byť definované takto:
Plasticita:
Systém v priebehu učenia generuje rozpoznávacie kódy ako odozvu na
postupnosť vstupných vzoriek z okolitého prostredia. Pritom
sa postupne vytvárajú takzvané vzorky kritických črt, čo znamená, že
každý rozpoznávací kód si ponechá len tie črty, ktoré ho odlišujú od
kódov ostatných tried.
Stabilita:
V priebehu učenia sa vytvárajú stabilné stavy, ktoré zabezpečujú priamu
odozvu na už známu vzorku, pričom sa vnútorne rozhoduje o tom, či sa
pre prezentovanú vzorku vytvorí nová kategória, alebo či bude iba
upravený kód niektorej už existujúcej kategórie.
Potom dilema stability a plasticity môže byť popísaná sériou otázok:
Ako zabezpečiť, aby systém zostal dostatočne adaptívny (plastický)
v odozve na výrazne novú vstupnú vzorku, a pritom bol nemenný (stabilný)
v prípade, že vstup je nedôležitý ?
Ako má systém vedieť, kedy sa má prepnúť do stabilného a kedy do
plastického módu, tzn. ako dosiahnuť stabilitu bez neflexibilnosti a
plasticitu bez vzniku chaosu v systéme ?
Ako zaistiť, aby si systém zachoval skôr naučené vedomosti a zároveň
sa učil nové veci ?
Názov ART súvisí
so spôsobom, akým v sieti prebieha učenie a hľadanie víťaza.
Vstupná informácia osciluje vo forme výstupných hodnôt medzi dvomi
vrstvami neurónov, až dokiaľ sa nedosiahne rezonancia. V tom momente
nastáva učenie, čiže adaptácia váh. Rezonancia môže nastať dvoma
rôznymi spôsobmi, a to v prípade, že sieť už v minulosti spracovávala
takú istú alebo veľmi podobnú vzorku, vtedy rezonancia nastáva
okamžite; alebo v prípade, že vstupná vzorka je odlišná od všetkých
predošlých, spúšťa sa proces prehľadávania naučených kódov a porovnáva
sa ich podobnosť s prezentovanou vzorkou, pričom je definovaná určitá
prahová hodnota, ktorá určuje minimálnu prípustnú podobnosť víťaznej
triedy. Ak tento prah nespĺňa žiadna z už známych tried, systém
vytvorí triedu novú, identickú s prezentovanou vzorkou. Takto sa
zároveň dosahuje stabilita (sieť rezonuje v prípade známeho vstupu)
aj plasticita (zachovanie schopnosti učiť sa nové neznáme vzorky).
