Sztuczne Systemy Skojarzeniowe
Aktywne Asocjacyjne Neuronowe Grafy Wiedzy Active Neural Associative Knowledge Graphs
ANAKG
AGH Akademia Górniczo-Hutnicza
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Katedra Automatyki i Inżynierii Biomedycznej Laboratorium Biocybernetyki
30-059 Kraków, al. Mickiewicza 30, paw. C3/205
Adrian Horzyk
horzyk@agh.edu.pl
AKTYWNE ASOCJACYJNE NEURONOWE GRAFY WIEDZY - ANAKG
Rodzaj emergentnych neuronowych architektur kognitywnych wykorzystujących as-neurony.
Konsolidują sekwencje uczące (serie/ciągi/szeregi).
Częstość powtórzeń wpływa na formowanie wiedzy.
Umożliwiają odtwarzanie nauczonych sekwencji/serii/ciągów/szeregów.
Mogą uogólniać sekwencje i być kreatywne.
Kontekst wywołania decyduje o kreatywności.
Wyznaczanie wartości wag as-neuronów ANAKG-1
Brana jest pod uwagę aktywność as-neuronów i synaps od początku ich istnienia.
w ϵ (0; +1]
≤
Jeśliby wszystkie pobudzenia as-neuronu SN przez to połączenie powodowały zawsze od razu aktywację neuronu postsynaptycznego, wtedy waga będzie równa 1, w innych przypadkach będzie mniejsza.
Zliczana jest ilość skutecznych aktywacji neuronu postsynaptycznego
za pośrednictwem tego połączenia biorąc pod uwagę
upływ czasu między aktywacją
neuronu pre- i postsynaptycznego
asocjacyjna ścieżka aktywacji
Wyznaczanie wartości wag as-neuronów ANAKG-1
Relaksacja as-neuronów ANAKG-1
Neurony aktualizowane (relaksowane) są w kolejnych chwilach czasu:
Czas płynie z szybkością jednej jednostki czasu z każdą prezentacją kolejnego słowa.
KONSTRUKCJA ASOCJACYJNYCH GRAFÓW WIEDZY
ANAKG
E2:1
E1:1 E3:1
= 1,00 | w = 1,00
= 0,50 | w = 0,67
= 1,00 | w = 1,00
(A)
S1
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
1x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
1x
E4 E2
S5 E3
1x
Horzyk, A., How Does Generalization and Creativity Come into Being in Neural Associative Systems and How Does It Form Human-Like Knowledge?, Neurocomputing,
2014, IF = 1,634.
KONSTRUKCJA ASOCJACYJNYCH GRAFÓW WIEDZY
ANAKG
E2:2
E1:1 E3:1
E4:1 E6:1
E5:1
= 0,33 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 0,50 | w = 0,67
= 1,00 | w = 1,00
= 0,50 | w = 0,67
= 1,00 | w = 1,00
= 1,00 | w = 1,00
(B)
S2
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
1x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
1x
E4 E2
S5 E3
1x
KONSTRUKCJA ASOCJACYJNYCH GRAFÓW WIEDZY
ANAKG
E2:3
E1:1 E3:1
E4:1 E6:1
E5:2
E8:1
E7:1
= 0,50 | w = 0,40 = 0,33 | w = 0,50
= 1,00 | w = 0,50
= 0,33 | w = 0,50
= 0,50 | w = 0,40
= 1,00 | w = 0,50
= 1,00 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 1,00
= 1,00 | w = 1,00
= 0,50 | w = 0,67
= 0,50 | w = 0,67
= 2,00 | w = 1,00
= 1,00 | w = 1,00
(C)
S3
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
1x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
1x
E4 E2
S5 E3
1x
KONSTRUKCJA ASOCJACYJNYCH GRAFÓW WIEDZY
ANAKG
E2:3
E1:1 E3:1
E4:1 E6:1
E5:2
E8:2 E7:2
E9:1
= 0,50 | w = 0,40
= 0,83 | w = 0,59
= 1,00 | w = 1,00
= 1,00 | w = 0,50
= 0,33 | w = 0,50
= 0,50 | w = 0,40
= 1,00 | w = 0,50
= 1,00 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 1,00
= 0,50 | w = 0,67
= 0,50 | w = 0,40
= 2,00 | w = 1,00
= 1,00 | w = 1,00
(D)
S4
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
1x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
1x
E4 E2
S5 E3
1x
KONSTRUKCJA ASOCJACYJNYCH GRAFÓW WIEDZY
ANAKG
E2:4
E1:1 E3:2
E4:2 E6:1
E5:2
E8:2 E7:2
E9:1
= 0,50 | w = 0,40
= 0,83 | w = 0,59
= 1,00 | w = 1,00
= 1,00 | w = 0,40
= 0,33 | w = 0,29
= 0,50 | w = 0,40
= 1,00 | w = 0,40
= 0,50 | w = 0,40
= 2,00 | w = 0,67
= 0,50 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,50 | w = 0,86
= 0,50 | w = 0,40
= 2,00 | w = 1,00
= 1,00 | w = 1,00
(E)
S5
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
1x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
1x
E4 E2
S5 E3
1x
WYWOŁANIE CIĄGU SKOJARZEŃ W ANAKG-1
ANAKG
E2:4
E1:1 E3:2
E4:2 E6:1
E5:2
E8:2 E7:2
E9:1
= 0,50 | w = 0,40
= 0,83 | w = 0,59
= 1,00 | w = 1,00
= 1,00 | w = 0,40
= 0,33 | w = 0,29
= 0,50 | w = 0,40
= 1,00 | w = 0,40
= 0,50 | w = 0,40
= 2,00 | w = 0,67
= 0,50 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,50 | w = 0,86
= 0,50 | w = 0,40
= 2,00 | w = 1,00
= 1,00 | w = 1,00
(F)
S4 S5 S3 1x
1x 1x
S2 1x
S1 1x
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
1x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
1x
E4 E2
S5 E3
1x
KONSTRUKCJA ASOCJACYJNYCH GRAFÓW WIEDZY
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
5x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
3x
E4 E2
S5 E3
2x
ANAKG
E2:9
E1:1 E3:3
E4:7 E6:5
E5:6
E8:4 E7:4
E9:3
= 0,50 | w = 0,15
= 2,83 | w = 0,63
= 3,00 | w = 1,00
= 1,00 | w = 0,20
= 1,67 | w = 0,38
= 2,50 | w = 0,53
= 5,00 | w = 0,71
= 1,00 | w = 0,25
= 3,00 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 0,29
= 3,00 | w = 0,86
= 5,00 | w = 0,83
= 4,50 | w = 0,78
= 1,50 | w = 0,55
= 6,00 | w = 1,00
= 1,00 | w = 1,00
(G)
S4 S5 S2 4x
2x
1x
WYWOŁANIE CIĄGU SKOJARZEŃ W ANAKG-1
ANAKG
E2:9
E1:1 E3:3
E4:7 E6:5
E5:6
E8:4 E7:4
E9:3
= 0,50 | w = 0,15
= 2,83 | w = 0,63
= 3,00 | w = 1,00
= 1,00 | w = 0,20
= 1,67 | w = 0,38
= 2,50 | w = 0,53
= 5,00 | w = 0,71
= 1,00 | w = 0,25
= 3,00 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 0,29
= 3,00 | w = 0,86
= 5,00 | w = 0,83
= 4,50 | w = 0,78
= 1,50 | w = 0,55
= 6,00 | w = 1,00
= 1,00 | w = 1,00
(H)
S4 S5 S3 1x
3x 2x
S2 5x
S1 1x
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
5x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
3x
E4 E2
S5 E3
2x
PORÓWNANIE ODPOWIEDZI DLA RÓŻNYCH ILOŚCI POWTÓRZEŃ
ANAKG
E2:9
E1:1 E3:3
E4:7 E6:5
E5:6
E8:4 E7:4
E9:3
= 0,50 | w = 0,15
= 2,83 | w = 0,63
= 3,00 | w = 1,00
= 1,00 | w = 0,20
= 1,67 | w = 0,38
= 2,50 | w = 0,53
= 5,00 | w = 0,71
= 1,00 | w = 0,25
= 3,00 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 0,29
= 3,00 | w = 0,86
= 5,00 | w = 0,83
= 4,50 | w = 0,78
= 1,50 | w = 0,55
= 6,00 | w = 1,00
= 1,00 | w = 1,00
(H)
S4 S5 S3 1x
3x 2x
S2 5x
S1 1x
ANAKG
E2:4
E1:1 E3:2
E4:2 E6:1
E5:2
E8:2 E7:2
E9:1
= 0,50 | w = 0,40
= 0,83 | w = 0,59
= 1,00 | w = 1,00
= 1,00 | w = 0,40
= 0,33 | w = 0,29
= 0,50 | w = 0,40
= 1,00 | w = 0,40
= 0,50 | w = 0,40
= 2,00 | w = 0,67
= 0,50 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,50 | w = 0,86
= 0,50 | w = 0,40
= 2,00 | w = 1,00
= 1,00 | w = 1,00
(F)
S4 S5 S3 1x
1x 1x
S2 1x
S1 1x
NEURON E4 i jego połączenia z E3 i E6 sterują wyborem
ANAKG
E2:9
E1:1 E3:3
E4:7 E6:5
E5:6
E8:4 E7:4
E9:3
= 0,50 | w = 0,15
= 2,83 | w = 0,63
= 3,00 | w = 1,00
= 1,00 | w = 0,20
= 1,67 | w = 0,38
= 2,50 | w = 0,53
= 5,00 | w = 0,71
= 1,00 | w = 0,25
= 3,00 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 0,29
= 3,00 | w = 0,86
= 5,00 | w = 0,83
= 4,50 | w = 0,78
= 1,50 | w = 0,55
= 6,00 | w = 1,00
= 1,00 | w = 1,00
(H)
ANAKG
E2:4
E1:1 E3:2
E4:2 E6:1
E5:2
E8:2 E7:2
E9:1
= 0,50 | w = 0,40
= 0,83 | w = 0,59
= 1,00 | w = 1,00
= 1,00 | w = 0,40
= 0,33 | w = 0,29
= 0,50 | w = 0,40
= 1,00 | w = 0,40
= 0,50 | w = 0,40
= 2,00 | w = 0,67
= 0,50 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,00 | w = 0,67
= 1,50 | w = 0,86
= 0,50 | w = 0,40
= 2,00 | w = 1,00
= 1,00 | w = 1,00
(F)
S4 S5
S3 1x
3x 2x
S2 5x
S1 1x
S4 S5
S3 1x
1x 1x
S2 1x
S1 1x
2x actively 1x aggregates
4x and
1x a
1x basis
1x be
1x being
1x associative
1x consolidates 1x can
1x comes
1x for 1x fundamental
5x facts 1x intelligence
1x into
2x is
1x in
1x not 7x knowledge
1x objects
3x of 2x on
1x reacts
3x rules
1x set 1x representation
2x represented
1x systems 3x the
2x various
7x . (full stop)
=2,00 w=0,44
=1,00 w=0,67
=1,00 w=1,00
=1,00 w=1,00
=1,00 w=1,00
=3,00 w=0,86
=3,00 w=0,75
=2,00 w=0,80
=1,00 w=1,00
=1,00 w=1,00
=1,00 w=1,00
=1,00 w=0,67
=1,00 w=1,00
=1,00 w=0,50
=2,00 w=1,00
=1,00 w=1,00
=1,00 w=1,00
=1,00 w=0,25
=1,00 w=1,00
=3,00 w=1,00
=1,00 w=1,00
=1,00 w=0,25
=2,00 w=1,00
=1,00 w=0,25
=1,00 w=0,67
=1,00 w=1,00
=1,00 w=0,50
=1,00 w=0,67
=1,00 w=1,00
=1,00 w=0,40
=2,00 w=0,57
=0,33 w=0,40
=0,33 w=0,40
=0,33 w=0,29
=0,50 w=0,40
=0,33 w=0,20
=1,00 w=0,50
=0,33 w=0,50
=0,50 w=0,67
=1,00 w=0,25
=1,00 w=1,00
=1,00 w=1,00
=1,00 w=0,67
=1,00 w=0,67
=0,50 w=0,67
=0,50 w=0,40
=0,50 w=0,13
=1,00 w=1,00
=1,00 w=1,00
=0,50 w=0,67
=1,00 w=1,00
=1,00 w=0,50
=1,00 w=1,00
=1,00 w=0,25
=1,00 w=1,00
=1,00 w=0,50
=0,25 w=0,40
=0,33 w=0,50
=0,50 w=0,13
=0,50 w=0,13
=0,50 w=0,67
=0,50 w=0,67
=0,50 w=0,67
7x START w=1,00=7,00
=7,00 w=1,00
=0,33 w=0,50
=0,33 w=-0,5
=0,33 w=0,50
NEURONOWA ASOCJACYJNA STRUKTURA DLA OBIEKTÓW
LINGWISTYCZNYCH ZBUDOWANA NA PODSTAWIE
7 ZDAŃ
Reakcja na pytanie: „What is knowledge?”
As-neurony są aktywowane w określonej kolejności dostarczając następujących odpowiedzi:
Knowledge is fundamental for intelligence.
Knowledge is not a set of facts and rules
KONKLUZJE DOTYCZĄCE REPREZENTACJI WIEDZY
Możliwe modelowanie i reprezentacja wiedzy w sztucznych systemach skojarzeniowych.
Wykorzystanie plastycznych mechanizmów neuronowych.
Wykorzystanie wzorców i sekwencji uczących.
Umożliwienie wywoływania sztucznych skojarzeń.
Wykorzystanie kontekstu wcześniejszych pobudzeń
i aktywacji neuronów w trakcie wywoływania skojarzeń i ewaluacji wiedzy.
Możliwość uogólniania na poziomie reprezentacji neuronalnej oraz całych sieci (systemów).
Tworzenie się kreatywnych reakcji dla nowych kontekstów
(kombinacji bodźców).
MOŻLIWE ZASTOSOWANIA ANAKG I AAS
1. Klasyfikacja i multiklasyfikacja.
2. Automatyczne grupowanie (klasteryzacja).
3. Sortowanie, agregacja i kompresja.
4. Szybkie wyszukiwanie danych i ich eksploracja.
5. Konsolidacja informacji i reprezentacja wiedzy.
6. Semi-automatyczna kontekstowa korekta tekstów.
7. Automatyzacja tłumaczenia.
8. Budowa chatbotów korzystających z wiedzy.
9. Budowa emergentnych architektur kongitywnych.
10.Budowa skojarzeniowych systemów sztucznej inteligencji.
11.Upowszechnianie informacji, wyników badań i wiedzy.
SYSTEMY
Bezpieczne przechowywanie danych
Szybko wykonywane operacje arytmetyczno-logiczne
Planowane i przewidywalne działanie poprawnie zbudowanych programów
Mogą dostarczać optymalnych rozwiązań zależnych od algorytmów
Wymuszają przeszukiwanie pamięci w pętlach obliczeniowych, w celu
wykonania operacji na danych
Wykorzystują sekwencyjne, pasywne pamięci komputerowe
Problemy ze złożonością obliczeniową
Problemy numeryczne
Trudne modelowanie inteligencji, wiedzy, uogólnień i kreatywności
Szybko reaktywne na znane kombinacje bodźców
Automatyczna agregacja podobnych danych
Eliminacja duplikatów
Automatyczna konsolidacja sekwencji (serii)
Automatyczna reprezentacja grup podobnych kombinacji danych i reprezentacja ich klas
Uogólnianie na skutek podobieństwa, agregacji, konsolidacji i połączeń kontekstowych
Kreatywność na skutek konsolidacji sekwencji danych i ich wywoływania w nowych kontekstach
Dostarczanie suboptymalnych rozwiązań na bazie uogólnień wcześniej uformowanej wiedzy
Eliminacja czasochłonnych pętli obliczeniowych
Trudna ewaluacja wzorów matematycznych
Brak gwarancji szybkiego, dokładnego i bezpiecznego przechowywania danych
KLASYCZNE
SYSTEMY KOMPUTEROWE SKOJARZENIOWE
SYSTEMY NEURONOWE
Struktura połączeń nie jest przypadkowa
Struktura połączeń nie jest przypadkowa
Struktura połączeń nie jest przypadkowa
Struktura połączeń nie jest przypadkowa
Struktura połączeń nie jest przypadkowa
Struktura połączeń nie jest przypadkowa
Struktura połączeń nie jest przypadkowa
Upływ czasu i jego wpływ na procesy skojarzeniowe
Upływ czasu powoduje wygaszanie informacji o poprzednich pobudzeniach i aktywacjach (kontekst wygasa).
W trakcie okresu relaksacji as-neurony są szybciej pobudliwe (kontekst wcześniejszych pobudzeń).
Kolejne procesy skojarzeniowe są tylko w pewnym stopniu zależne od poprzednich (zależne od czasu pomiędzy nimi).
W trakcie okresu refrakcji „do głosu” mogą dojść szybciej inne as- neurony, które w innych przypadkach byłyby nieaktywne lub
przytłumione.
Czas, jaki upłynie po mocnym pobudzeniu (bez aktywacji) decyduje o uruchomieniu procesów plastycznych obniżających wrażliwość synapsy (pobudzenia podprogowe).
Pobudzenia pochodzące od neuronów presynaptycznych, które nie
wywołały aktywacji neuronów postsynaptycznych, przez pewien
okres czasu mają wpływ na ich możliwe aktywacje w przyszłości
(sterują kolejnymi skojarzeniami).
Ideowy model relaksacji i refrakcji neuronów
Procesy relaksacji i refrakcji neuronów mają znaczenie w połączonej ich sieci.
Obecny asocjacyjny model neuronów jest niełatwy do implementacji ze względu na równoległość wielu procesów w nim zachodzących.
Nawet na współczesnych komputerach symulacja równoległości wielu
asynchronicznych procesów zachodzących w jednym neuronie nie jest łatwa.
Dopiero równoległa symulacja wielu neuronów i receptorów może umożliwić reprezentację relacji pomiędzy obiektami.
Współczesny sprzęt komputerowy nie jest zaprojektowany do naturalnej realizacji takich procesów ani reprezentacji aktywnych grafów neuronowych.
Dlatego zaprojektowano uproszczone dyskretne modele as-neuronów, które
łatwiej symulować i wykonywać na nich sztuczne skojarzenia (rozdz. 8.).
MONKEY
”I have a monkey . My monkey is very small.
It is very lovely. It likes to sit on my head.
It can jump very quickly. It is also very clever.
It learns quickly. My monkey is lovely.”
QUESTION: What is this monkey like?
ZBIÓR SEKWENCJI UCZĄCYCH
(TRAINING SEQUENCE SET):
AS-NEURONY
Wyznaczanie parametrów grafu neuronowego ANAKG-2
1. W trakcie jednokrotnego przejrzenia zbioru danych uczących zliczana jest efektywność
połączeń synaptycznych, wyznaczona przez czas, jaki upływa pomiędzy stymulacją
synapsy (jej elementu postsynaptycznego) i aktywacją neuronu postsynaptycznego:
Wyznaczanie parametrów grafu neuronowego ANAKG-2
2. Na tej podstawie wyznaczane są wartości wag synaptycznych na końcu po
jednokrotnym przejrzeniu zbioru danych uczących:
Wyznaczanie parametrów grafu neuronowego ANAKG-2
3. Funkcja stopniowej relaksacji as-neuronów możliwa do wyznaczenia dla dowolnych dwóch chwil czasu t
1i t
2, pomiędzy którymi as-neuron nie był
zewnętrznie stymulowany (nie został pobudzany lub hamowany):
Wyznaczanie parametrów grafu neuronowego ANAKG-2
4. Określenie presynaptycznego wpływu as-neuronu w zależności od jego progu aktywacji:
5. Wyznaczenie czasu aktywacji as-neuronu w zależności od stopnia nadstrzału (tj. przekroczenia jego wartości progowej), co powoduje odpowiednio
przyspieszenie jego aktywacji, gdyż pobudzenie jest mocniejsze:
Dla zbioru „Monkey” wyznaczono tabelę skuteczności połączeń
2
Dla zbioru „Monkey” wyznaczono tabelę wag synaptycznych
ASOCJACYJNY GRAF NEURONOWY ANAKG-2 MONKEY
Graf neuronowy ANAKG dla zbioru uczącego
1. zewnętrzna stymulacja neuronu MONKEY
2. zewnętrzna stymulacja neuronu MONKEY
i reakcja sieci neuronowej
Kolejna reakcja sieci neuronowej
Ostatnia reakcja sieci neuronowej
MONKEY
”I have a monkey . My monkey is very small.
It is very lovely. It likes to sit on my head.
It can jump very quickly. It is also very clever.
It learns quickly. My monkey is lovely.
I have also a small dog.”
OPIS MAŁPKI tzw.
zbiór uczący:
QUESTION: What is this monkey like?
1x
TRAINING SEQUENCES
I HAVE
S1 A MONKEY
1x
IS VERY
S2 MY MONKEY SMALL
1x
IS VERY
S3 IT LOVELY
1x
HEAD S4 IT LIKES TO SIT ON MY
1x
QUICKLY S5 IT CAN JUMP VERY
1x
IS VERY
S6 IT ALSO CLEVER
1x
S7 IT LEARNS QUICKLY
1x
IS
S8 MY MONKEY LOVELY 1x
I HAVE
S9 ALSO A SMALL DOG
CONSTRUCTION OF
ASSOCIATIVE NEURAL GRAPH
ANAKG-3
KONSTRUKCJA ASOCJACYJNEGO
GRAFU
NEURONOWEGO DLA ZBIORU
SEKWENCJI
UCZĄCYCH:
I HAVE
S1 A MONKEY
S1
I 1
ANAKG-3
I HAVE
S1 A MONKEY
S1
I 1
HAVE 1
100
ANAKG-3
MIARA SKUTECZNOŚCI SYNAPTYCZNEJ WAGA SYNAPTYCZNA
PRÓG AKTYWACJI NEURONU
I HAVE
S1 A MONKEY
S1
I 1
HAVE 1
A 1
100
68
100
ANAKG-3
SYNAPTIC WEIGHT
SYNAPTIC EFFICIENCY
I HAVE
S1 A MONKEY
S1
I 1
HAVE 1
A 1
MONKEY
1
100
68 68
100 100
ANAKG-3
48
IS VERY
S2 MY MONKEY SMALL
S2
I 1
HAVE 1
A 1
MONKEY
1
MY 1
100
68 68
100 100
ANAKG-3
48
IS VERY
S2 MY MONKEY SMALL
S2
I 1
HAVE 1
A 1
MONKEY
2
MY 1
100
68 68
100 100
100
ANAKG-3
48
AGGREGATION OF REPRESENTATION
NEURONOWA AGREGACJA
REPREZENTACJI
IS VERY
S2 MY MONKEY SMALL
S2
I 1
HAVE 1
A 1
MONKEY
2
MY 1
IS 1
100
68 68
100 100
100 68
67
ANAKG-3
48
IS VERY
S2 MY MONKEY SMALL
S2
I 1
HAVE 1
A 1
MONKEY
2
MY 1
IS 1
VERY 1
100
68 68
100 100
100 68
51
48
100
67
ANAKG-3
48
IS VERY
S2 MY MONKEY SMALL
S2
I 1
HAVE 1
A 1
MONKEY
2
MY 1
SMALL 1
IS 1
VERY 1
100
68 68
100 100
100
100
68
68
51
35 48
100
67
38
ANAKG-3
48
IS VERY
S3 IT LOVELY
S3
I 1
HAVE 1
A 1
MONKEY
2
MY 1
SMALL 1
IS 1
VERY 1
IT 1
100
68 68
67
100 100
100
51
68
51
35 48
100
67
38
ANAKG-3
39
IS VERY
S3 IT LOVELY
S3
I 1
HAVE 1
A 1
MONKEY
2
MY 1
SMALL 1
IS 2
VERY 1
IT 1
100
68 68
67
100 100
100
100
51
68
51
35 48
100
67
38
ANAKG-3
39
IS VERY
S3 IT LOVELY
S3
I 1
HAVE 1
A 1
MONKEY
2
MY 1
SMALL 1
IS 2
VERY 2
IT 1
100
68 68
67
100 100
100
100
51
68
51
35 48
100
67
68 38
ANAKG-3
39
IS VERY
S3 IT LOVELY
S3
I 1
HAVE 1
A 1
MONKEY
2
MY 1
SMALL 1
IS 2
VERY 2
IT 1
LOVELY
1
100
68 68
67
100 100
100
100
51
68
51
35 48
48
100
67
51
68
67 38
ANAKG-3
39
HEAD S4 IT LIKES TO SIT ON MY
S4
I 1
HAVE 1
A 1
MONKEY
2
MY 2
SMALL 1
IS 2
VERY 2
IT 2
LOVELY
1 HEAD
1
TO 1
LIKES 1 SIT
1 ON
1
91
51 74
57 67
100
86
68 27
35
68 48 48 100
77
45
48
71
47
35 17
28 36
56 68
22
35
100
89 86
35
74
100
71
44 60
57
68
26
100
36
ANAKG-3
39
QUICKLY S5 IT CAN JUMP VERY
S5
I 1
HAVE 1
A 1
MONKEY
2
MY 2
SMALL 1
IS 2
VERY 3
IT 3
LOVELY
1 HEAD
1
TO 1
LIKES 1 SIT
1 ON
1
QUICKLY
1 JUMP
1
CAN 1
91
51 74
57 67
100
48 86
57 68 27
35
68 48 48
57
100
77
45
48
71
47
35 17
28 36
56 68
22
35
100
89 86
35
74
100
71
44 60
100
57
68
68 47
26
44
100
56
68
100
36
ANAKG-3
39
IS VERY
S6 IT ALSO CLEVER
S6
I 1
HAVE 1
A 1
MONKEY
2
MY 2
SMALL 1
IS 3
VERY 4
IT 4
LOVELY
1 HEAD
1
TO 1
LIKES 1 SIT
1 ON
1
QUICKLY
1 JUMP
1
CAN 1
CLEVER
1 ALSO
1
91
51 74
57 67
100
35 27 48
86
57 68
51
57
27
35
68 48 48
57
100
77
45
48
71
47
35 17
28 36
56 68
67
22
35
100
89 86
35
74
100
71
44 60
100
57
68
68 47
26
44
100
56
68 44
100
36
57
ANAKG-3
39
S7 IT LEARNS QUICKLY
S7
I 1
HAVE 1
A 1
MONKEY
2
MY 2
SMALL 1
IS 3
VERY 4
IT 5
LOVELY
1 HEAD
1
TO 1
LIKES 1 SIT
1 ON
1
QUICKLY 2
JUMP 1
CAN 1
CLEVER
1 ALSO
1
LEARNS
1
91
51 74
57 67
56
100
35 27 48
86
57 68
51
57
27
35
68 48 48
57
100
77
45
48
71
47
35 17
28 36
56 68
67
22
35
100 100
89 86
35
74
100
71
44 60
100
57
68
68 47
26
44
100
56
68 44
100
36
57
ANAKG-3
39
IS
S8 MY MONKEY LOVELY
S8
I 1
HAVE 1
A 1
MONKEY
3
MY 3
SMALL 1
IS 4
VERY 4
IT 5
LOVELY
2 HEAD
1
TO 1
LIKES 1 SIT
1 ON
1
QUICKLY 2
JUMP 1
CAN 1
CLEVER
1 ALSO
1
LEARNS
1
91
51 74
57 67
56
100
35 27 48
86
57 68
51 51
57
27
35
68 48 48
57
100
77
45
48
71
47
35 17
28 36
56 68
67
22
35
100 100
89 86
35
74
100
71
44 60
100
57
68
68 47
26
44
100
56
68
44 36
100
36 51
57
ANAKG-3
39
I HAVE
S9 ALSO A SMALL DOG
S9
I 2
HAVE 2
A 2
MONKEY
3
MY 3
SMALL 2
IS 4
VERY 4
IT 5
LOVELY
2 HEAD
1
TO 1
LIKES 1 SIT
1 ON
1
QUICKLY 2
JUMP 1
CAN 1
CLEVER
1 ALSO
2
LEARNS
1
DOG 1
91
51 74
57 67
56
39
100
67
35 48
67
27 86
57 68
51 51
23
57 30
67
39 51
30
27
35
68 48 48
57
100
77
45
48
71
47
35 17
28 36
56 68
67
22
35
100 100
89 86
35
74
100
71
44 60
100
57
68
68 47
26
44
100
56
67
68
44 36
100
36 51
57
ANAKG-3
39
OBLICZANIE SKUTECZNOŚCI SYNAPTYCZNEJ
OBLICZANIE WAG SYNAPTYCZNYCH
ANAKG-3
ANAKG-3 for training data MONKEY
ASOCJACYJNY GRAF NEURONOWY udzielił następującej odpowiedzi:
t
Całkowicie się z tym zgadzam!
MONKEY
35
IS
46
VERY
59
LOVELY
60
SMALL
75
CLEVER
76
Dzięki wiedzy o małpce uformowanej w asocjacyjnym grafie neuronowym
możliwe stało się uzyskanie
odpowiedzi i podsumowania!
REPREZENTACJA ZWIĄZKÓW
CZASOWYCH I KOLEJNOŚCI DANYCH!
Dzięki specyficznemu działaniu neuronów możliwe jest
odwzorowanie zależności czasowych i kolejności obiektów.
Osiągamy więc możliwość asocjacji danych:
W czasie (uwzględniając ich kolejność)
Horyzontalnie
Wertykalnie Co daje nam nowe i ciekawe możliwości wnioskowania oraz uogólniania…
t
Monkey is very lovely!
W kolejnych chwilach czasu
aktywowane as-neurony wskazały odpowiedź sztucznego systemu skojarzeniowego
na zewnętrzne stymulacje neuronu MONKEY.
System skojarzeniowy nie był uczony sekwencji:
„Monkey is very lovely”
a więc powstała w wyniku kreatywnego
uogólnienia sekwencji uczących.
Asocjacyjna ścieżka aktywacji
Asocjacyjna ścieżka aktywacji (neuronów) określana jest w procesie uczenia na podstawie sekwencji uczących (str. 224 monografii), a więc neurony są
aktywowane zewnętrznie poprzez receptory lub bezpośrednio. Sekwencje uczące aktywują sekwencje neuronów, a więc w istocie powstaje taka ścieżka aktywacji neuronów, które mają za zadanie wzmocnić swoje asocjacje w trakcie takiego procesu uczenia. Dlatego zostały nazwane asocjacyjnymi ścieżkami aktywacji.
W trakcie ewaluacji sieci i jej pobudzania może dochodzić do nawet równoległej aktywacji wielu neuronów i mogą powstawać całe podgrafy stopniowo
aktywowanych neuronów, lecz asocjacyjna ścieżka aktywacji dotyczy procesu adaptacji (uczenia) na podstawie sekwencji uczących wyznaczające te ścieżki.
Podgrafy na razie nie są stosowane do nauki AASów.
ASEQ -k+1 ASEQ -k+1 ASEQ 2 ASEQ 1 ACON 1 = ASEQ 0
WACON 2 ACON 2
WASEQ 0 WASEQ 1
WASEQ 2 WASEQ -k+1
WACON 3 ACON 3
WACON k ACON k
WACON k-1 ACON k-1
SN
-k+1SN
-k WASEQ -k+1SN
3SN
2SN
1SN
0t = k – 1 t = k
t = 3
t = 2 t = 1
Asocjacyjna ścieżka aktywacji – Associative activation track (AAT)
Asocjacyjna ścieżka aktywacji dla sekwencji uczącej S3
SEKWENCJE UCZĄCE S1-S5 i częstość ich powtórzeń w zbiorze sekwencji uczących
E1 E2
S1 E3
1x
E4 E5
S2 E2 E6
1x
E7 E5
S3 E2 E8
1x
E7 E9
S4 E8
1x
E4 E2
S5 E3
1x
ANAKG
E2:3
E1:1 E3:1
E4:1 E6:1
E5:2
E8:1
E7:1
= 0,50 | w = 0,40 = 0,33 | w = 0,50
= 1,00 | w = 0,50
= 0,33 | w = 0,50
= 0,50 | w = 0,40
= 1,00 | w = 0,50
= 1,00 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 1,00
= 1,00 | w = 1,00
= 0,50 | w = 0,67
= 0,50 | w = 0,67
= 2,00 | w = 1,00
= 1,00 | w = 1,00
(C)
S3
Złożoność obliczeniowa procesów skojarzeniowych
Ograniczone dodawanie (wykorzystywanie) kolejnych neuronów i połączeń
Agregacja danych i reprezentacja ich powtarzających się kombinacji implikuje spadek zapotrzebowania na nowe elementy (neurony) wraz ze wzrostem ilości reprezentowanych danych, ich kombinacji i sekwencji.
ANAKG
E2:9
E1:1 E3:3
E4:7 E6:5
E5:6
E8:4 E7:4
E9:3
= 0,50 | w = 0,15
= 2,83 | w = 0,63
= 3,00 | w = 1,00
= 1,00 | w = 0,20
= 1,67 | w = 0,38
= 2,50 | w = 0,53
= 5,00 | w = 0,71
= 1,00 | w = 0,25
= 3,00 | w = 0,50
= 0,50 | w = 0,67
= 1,00 | w = 0,29
= 3,00 | w = 0,86
= 5,00 | w = 0,83
= 4,50 | w = 0,78
= 1,50 | w = 0,55
= 6,00 | w = 1,00
= 1,00 | w = 1,00