التعلم التنافسي

التعلم التنافسي هو شكل من أشكال التعلم غير الخاضع للإشراف في الشبكات العصبية الاصطناعية ، حيث تتنافس العقد على حق الاستجابة لمجموعة فرعية من بيانات الإدخال. ^{[ 1 ] [ 2 ]} وهو نوع من أنواع التعلم الهيبي ، ويعمل عن طريق زيادة تخصص كل عقدة في الشبكة. وهو مناسب تمامًا لاكتشاف التجمعات داخل البيانات.

تشمل النماذج والخوارزميات القائمة على مبدأ التعلم التنافسي التكميم المتجهي والخرائط ذاتية التنظيم (خرائط كوهونين).

هناك ثلاثة عناصر أساسية لقاعدة التعلم التنافسي : ^{[ 3 ] [ 4 ]}

• مجموعة من الخلايا العصبية المتشابهة تمامًا باستثناء بعض الأوزان المشبكية الموزعة عشوائيًا، والتي تستجيب بالتالي بشكل مختلف لمجموعة معينة من أنماط الإدخال
• حد مفروض على "قوة" كل عصبون
• آلية تسمح للخلايا العصبية بالتنافس على حق الاستجابة لمجموعة فرعية معينة من المدخلات، بحيث تكون خلية عصبية واحدة فقط (أو خلية عصبية واحدة فقط لكل مجموعة) نشطة (أي "مفعلة") في كل مرة. تُسمى الخلية العصبية التي تفوز في المنافسة "الخلية العصبية الفائزة" .

وبناءً على ذلك، تتعلم الخلايا العصبية الفردية في الشبكة التخصص في مجموعات من الأنماط المتشابهة، وبذلك تصبح "كاشفات للميزات" لفئات مختلفة من أنماط الإدخال.

إن حقيقة أن الشبكات التنافسية تعيد ترميز مجموعات من المدخلات المترابطة إلى واحدة من عدد قليل من الخلايا العصبية الخارجة تزيل بشكل أساسي التكرار في التمثيل الذي يمثل جزءًا أساسيًا من المعالجة في الأنظمة الحسية البيولوجية . ^{[ 5 ] [ 6 ]}

عادةً ما يتم تطبيق التعلم التنافسي باستخدام الشبكات العصبية التي تحتوي على طبقة مخفية تُعرف باسم "الطبقة التنافسية". ^{[ 7 ]} يتم وصف كل عصبون تنافسي بواسطة متجه من الأوزان.${\displaystyle {\mathbf {w} }_{i}=\left({w_{i1},..,w_{id}}\right)^{T},i=1,..,M}$ويحسب مقياس التشابه بين بيانات الإدخال${\displaystyle {\mathbf {x} }^{n}=\left({x_{n1},..,x_{nd}}\right)^{T}\in \mathbb {R} ^{d}}$ ومتجه الوزن${\displaystyle {\mathbf {w} }_{i}}$.

لكل متجه إدخال، تتنافس الخلايا العصبية المتنافسة فيما بينها لمعرفة أيها الأكثر تشابهًا مع متجه الإدخال المحدد. وتحدد الخلية العصبية الفائزة (m) مخرجاتها.${\displaystyle o_{m}=1}$وتقوم جميع الخلايا العصبية التنافسية الأخرى بتحديد مخرجاتها ${\displaystyle o_{i}=0,i=1,..,M,i\neq m}$.

عادةً، لقياس التشابه، يتم استخدام معكوس المسافة الإقليدية :$\displaystyle \left\|{{\mathbf {x} }-{\mathbf {w} }_{i}}\right\|}$بين متجه الإدخال${\displaystyle {\mathbf {x} }^{n}}$ومتجه الوزن${\displaystyle {\mathbf {w} }_{i}}$.

إليكم خوارزمية تعلم تنافسية بسيطة لإيجاد ثلاث مجموعات ضمن بعض بيانات الإدخال.

1. (الإعداد). لنفترض أن مجموعة من أجهزة الاستشعار تُغذي ثلاث عقد مختلفة، بحيث تكون كل عقدة متصلة بكل جهاز استشعار. ولنفترض أن الأوزان التي تُعطيها كل عقدة لأجهزة الاستشعار الخاصة بها تُحدد عشوائيًا بين 0.0 و1.0. ولنفترض أن خرج كل عقدة هو مجموع جميع أجهزة الاستشعار الخاصة بها، مع ضرب قوة إشارة كل جهاز استشعار في وزنه.

2. عند عرض مدخل على الشبكة، تُعتبر العقدة ذات أعلى قيمة مُخرَجة هي الفائزة. ويُصنَّف المدخل ضمن المجموعة المُطابقة لتلك العقدة.

3. يقوم الفائز بتحديث كل وزن من أوزانه، ونقل الوزن من الاتصالات التي أعطته إشارات أضعف إلى الاتصالات التي أعطته إشارات أقوى.

وهكذا، مع تلقي المزيد من البيانات، تتقارب كل عقدة نحو مركز المجموعة التي أصبحت تمثلها وتنشط بقوة أكبر للمدخلات في هذه المجموعة وبشكل أضعف للمدخلات في المجموعات الأخرى.

• التعلم الجماعي
• الغاز العصبي
• هندسة الفوضى

• مسودة التقرير "بعض أساليب التعلم التنافسي" بصيغة PDF (تحتوي على أوصاف لعدة خوارزميات ذات صلة)
• DemoGNG - محاكي جافا لأساليب التعلم التنافسي