Az emberi memória asszociatív, vagyis egy bizonyos memória nagy területet generálhat hozzá. Az egyik tárgy a másikra emlékeztet, a másik a harmadikra. Ha megengedjük a gondolatainkat , azok a mentális asszociációk láncolatán haladnak alanyról alanyra . Például néhány ütemnyi zene érzékszervi emlékek egész skáláját idézheti fel, beleértve a tájat, a hangokat és az illatokat. Ezzel szemben a hagyományos számítógépmemória helyileg címezhető, egy címet mutat be, és ezen a címen kér információkat.
A visszacsatolt mesterséges neurális hálózat asszociatív memóriát alkot. Az emberi emlékezethez hasonlóan a szükséges információ adott része szerint minden információ a „memóriából” kerül elő.
Az automatikus asszociatív memória olyan memória , amely képes kiegészíteni vagy javítani egy képet, de nem tudja társítani a kapott képet egy másik képpel. Ez a tény az asszociatív memória egyszintű struktúrájának eredménye, amelyben a vektor ugyanazon neuronok kimenetén jelenik meg, amelyek megkapják a bemeneti vektort. Az ilyen hálózatok instabilok. Stabil hálózat esetén az egymást követő iterációk egyre kisebb változásokat eredményeznek a kimenetben, míg végül a kimenet állandóvá válik. Sok hálózat esetében a folyamat soha nem ér véget. Az instabil hálózatok érdekes tulajdonságokkal rendelkeznek, és a kaotikus rendszerek példájaként tanulmányozták őket. Ez bizonyos értelemben visszacsatolás nélkül is elérhető, például perceptronnal olyan esetekben, amikor a stabilitás fontosabb, mint a kaotikus rendszerek tanulmányozása.
A heteroasszociatív memória egy olyan memória, amelyben amikor egy inger érkezik az egyik neuroncsoporthoz, egy visszacsatolási válasz jelenik meg egy másik neuroncsoporton.
Az első autoasszociatív memóriamodellt a Hopfield, a Hopfield Neural Network fejlesztette ki . A stabilitás elérése érdekében a súlytényezőket úgy kellett megválasztani, hogy az egységnyi hiperkocka szükséges csúcsaiban energiaminimumot képezzenek.
Ezt követően Kosko kidolgozta Hopfield ötleteit, és kidolgozta a heteroasszociatív memória modelljét - a kétirányú asszociatív memóriát (BDA).
De pontosan ugyanezt az eredményt lehet elérni az ismétlődő neurális hálózatok széles osztályával , amelynek klasszikus példája az Elman hálózat , miközben a stabilitási probléma megszűnik, és nem szabnak olyan szigorú feltételeket a súlytényezőkre, amelyek miatt a hálózat nagyobb kapacitással rendelkezik. Ezenkívül a visszatérő neurális hálózatok leírhatnak egy állapotgépet anélkül, hogy elveszítenék a mesterséges neurális hálózatok minden előnyét.
Számos munka foglalkozott az asszociatív memória koncepciójának lehetőségeivel a programozási nyelvekre és a processzor hardveres megvalósítására vonatkozóan . És a következőt használták munkadefinícióként:
Az asszociatív memória általában olyan elemek halmazát vagy gyűjteményét jelenti, amelyek képesek információt tárolni. Ezeket az elemeket egyidejűleg és párhuzamosan a bennük tárolt adatok tartalmának megfelelően, nem pedig az elem címének vagy helyének megadásával éri el.
De az asszociatív memória ilyen értelmezése lényegében csak az adatok közötti kapcsolatok létezésének tényét tükrözi, és semmi köze magához az információtároló mechanizmushoz. Ezért a "tartalom-címezhető memória" (CAM) kifejezést egy ilyen információtároló mechanizmusra használják.
Miután a hangsúlyt a "tartalom-címezhető memória" tervezésére helyezték, lehetővé vált az asszociativitás megértéséhez szükséges követelmények egyszerűsítése, és olyan eszközök kifejlesztése, amelyek csak bizonyos értelemben rendelkeznek asszociativitással. Így például az első dolog, amit leegyszerűsítettünk, az a feltevés, hogy a párhuzamosság a keresési műveletek végrehajtásában alapvetően nem alapvető funkcionális jellemző.
A második egyszerűsítés az elosztott memória iránti igény tagadásával kapcsolatos, mivel a memória értelmében vett asszociativitás a tartalom szerinti címzéssel formálisan megvalósítható anélkül, hogy az információt el kellene osztani a memóriaelemek között. Ezzel szemben lehetőség van egy információegységet integráltan tárolni egy bizonyos cellában, csak ennek a cellának másokkal való közvetlen kapcsolatairól van információnk – így értjük meg a szemantikai hálózatokat . Ezeket az elveket alkalmazzák a modern adatbázisokban való indexelés és keresés során is. Természetesen ebben az értelemben ez az egyszerűsítés ellentmond a konnektivizmus eszméinek (amelyek mesterséges neurális hálózatokon alapulnak ), és simán átfolyik a szimbolizmus eszméibe.
A fő dolog, ami ebben az egyszerűsítésben elveszett, a biológiai memória egyik csodálatos tulajdonsága. Ismeretes, hogy az agyszövet különféle károsodásai a memória funkcionális jellemzőinek megsértéséhez vezetnek. Mindazonáltal kivételesen nehéznek bizonyult elkülöníteni a memóriafunkciók lokalizációjával összefüggő jelenségeket az egyes idegi struktúrák munkájában. Ennek magyarázata azon a feltevésen alapul, hogy az emlékezetnyomok az agyban az elsődleges észlelések valamilyen átalakulásának eredményeként létrejött, térben elosztott struktúrák formájában jelennek meg.
Ennek ellenére, bár egy ilyen egyszerűsítéssel, számos biológiailag elfogadható tulajdonság elveszett, ami fontos az agy modellezésében , de technikai értelemben világossá vált, hogyan lehet megvalósítani egy tartalommal címezhető memóriát. Ennek köszönhetően megjelentek a kivonatolási ötletek , amelyeket aztán mind a programozási nyelveken, mind pedig egyes processzorok hardveres megvalósításában megvalósítottak.
A harmadik egyszerűsítés a szükséges információk megfeleltetésének pontosságával kapcsolatos. Az adatok tartalmuk alapján történő mintavételezése mindig magában foglalja egy külsőleg meghatározott kulcs összehasonlítását, amelyben keresni kell, a memóriacellákban tárolt információk egy részével vagy az összes információval. Az összehasonlítás célja nem mindig a kulcsnak megfelelő információ megjelenése lehet. Például, ha olyan értékeket keres, amelyek egy adott intervallumon belül találhatók. Ebben az esetben az SQL használatának klasszikus módja van az adatbázisból történő kiválasztáshoz . De lehetséges egy olyan keresési lehetőség, amelyben meg kell találni az adatsorok között azokat, amelyek (valamelyik mérőszám értelmében) a legjobban megfelelnek a kulcsinformációnak.
Ebben a megfogalmazásban az asszociatív mintavétel problémája nagyon közel áll a mintafelismerés problémájához . De az alkalmazott módszerek a döntőek - ha az asszociativitás jelentése nem vonatkozik az itt leírt egyszerűsítésekre, akkor mesterséges neurális hálózatokat használó mintafelismeréssel , egyébként adatbázisok (valamint a hardverek) működésének optimalizálásával foglalkozunk. processzorok gyorsítótárai ), vagy az adatok asszociatív ábrázolásának módszerei (például szemantikus hálózatok ). Innentől egyértelművé kell tenni, hogy az adatok asszociatív reprezentációja és a tartalom-címezhető memóriával való munkavégzés egyes módszerei nem elegendőek az asszociatív memória a szó teljes értelmében történő megértéséhez.
A negyedik egyszerűsítés az úgynevezett időbeli asszociációk problémájához köthető , amely programozási szempontból az automaták elméletéhez tartozik . Ezek a problémák az időrendi sorrendű sorozatok memóriából való tárolására és visszakeresésére szolgáló módszerek fejlesztésével kapcsolatosak. Ugyanakkor elágazhatnak, másodlagos alternatív szekvenciákat alkotva, és az egyikre való átmenetet valamilyen háttér- vagy kontextuális információ tartalma határozza meg. Ezek a szekvenciák zárt hurkokat is tartalmazhatnak.
Így a programozás vagy a szimbolizmus szempontjából az asszociatív memóriával kapcsolatban ugyanazok a problémák és feladatok vannak, mint a mesterséges intelligenciában . A különbség az, hogy a programozásban olyan egyszerűsítéseket lehet végrehajtani és olyan módszereket konstruálni, amelyek csak részben elégítik ki az asszociatív memória megértését. Míg a konnektivizmus az asszociatív emlékezet problémáját igyekszik megoldani, addig az itt leírt értelemben leegyszerűsítéseket nem tartalmazó módszerek segítségével a módszer értelmében némi sztochasztikus és kiszámíthatatlan, de végső soron a mintafelismerés vagy az adaptív területeken adnak értelmes eredményt. ellenőrzés.
| A mesterséges neurális hálózatok típusai | |
|---|---|
| |
| Gépi tanulás és adatbányászat | |
|---|---|
| Feladatok | |
| Tanulás tanárral | |
| klaszteranalízis | |
| Dimenziócsökkentés | |
| Strukturális előrejelzés | |
| Anomália észlelése | |
| Grafikon valószínűségi modellek | |
| Neurális hálózatok | |
| Megerősítő tanulás |
|
| Elmélet | |
| Folyóiratok és konferenciák |
|