Umelé neuronálne siete v (neuro-)psychológii
Krátka informácia k jednotlivým programom
(Obsiahlejšie informácie sa nachádzajú v príručke k ANN-programom)
(ANN = artificial neural net)



Môže sa počítač niečo naučiť? Ako môže táto mašina samostatne niečo samostatne organizovať, multidimenzionálne dátové štruktúry zmysluplne zjednodušiť? Niečo samostne rozhodnúť? Skladať básne či komponovať hudbu? Je reálne považovať fungovanie umelých neuronálnych sietí za (hoci aj zjednodušenú) analógiu fungovania ľudského mozgu?

Mnohé z týchto otázok môže uživateľ testovať na viacerých ANN-programoch (BPROP, SOM, HOPFIELD). Typické pojmy z oblasti umelých neuronálnych sietí ako weights, prahy, layer, sigmoidné a iné funkcie, atď. tu ponechávam bokom. Viac k pozadiu fungovania ANN si môže (ale numusí) uživateľ načítať v príručke k programom. Tu sú popísané aj možnosti uživateľa definovať podstatné elementy programov (počet neurónov a učebných cyklov, mieru učenia, atď.). Na tomto mieste podávam len krátku ilustračnú informáciu k týmto programom.

BPROP - predstavuje najčastejšie používaný typ ANN siete, ktorá pracuje na princípe supervidovaného učenia (supervised learning).
Back Propagation Net

Program má riešiť nejakú úlohu ( naučiť sa napríklad ťahy riešenia hanojskej veže, alebo podľa skupiny symptómov navhrnúť, o aký typ osobnosti probanta sa jedná.). Sieť začína riešiť túto úlohu čiste náhodne. Jej riešenie sa porovná so správnym riešením problému a určí sa, do akej miery sa riešenie siete odchyľuje (=robí chybu) od správneho riešenie. Spojenia uzlov siete (nazývajú sa aj neuróny siete) sa upravia tak, aby odchyľka od správneho riešenia (chyba) pri ďaľšom pokuse o riešenie bola menšia. Obrázok zobrazuje chybovú krivku siete pri prvých 100 učebných cykloch. Čo a ako sa počas učenia v sieti mení tu nie je pre nás podstatné, zaujímavé je vidieť, čo sa stane, ak v už naučenej sieti "poškodíme" jeden alebo viac neurónov ( iktus!).



Ďalší obrázok znázorňuje ako v programe možno kontrolovať fungovanie jednotlivých neurónov. Uživateľ môže voľbou hodnoty medzi 0 (= neurón nevedie žiadny vzruch) a 1 (= neurón vedie celý vzruch) kontinuálne riadiť funkčnosť zvoleného neurónu.

SOM - pracuje úplne inak a totiž na princípe súťaživého učenia. Pri tomto type siete sa nezisťuje chyba riešenia, nejestvuje žiadne správne riešenie, ktoré by sa sieť mala naučiť.
SOM znamená Self Organizing Map a ako už samo označenie hovorí, táto sieť "organizuje" samostatne do zmysluplných skupín to, čo sa dostane na jej vstup.
Autor tejto siete to názorne ukázal na nasledujúcom príklade:


Jeho sieť zoskupila zvieratá obdivuhodne realisticky podľa len veľmi zjednodušených znakov zvierat (koľko nôh, vie lietať, má perie, atď. záujemca si to môže prečítať tu: T. Kohonen. Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43:59–69, 1982.)

Ovšem, nemusia to byť len zvieratá, čo dokáže SOM triediť. Pokus so semantickým diferenciálom ukazuje, že táto sieť zoskupila testované objekty (v tomto prípade rodinných príslušníkov) veľmi podobne tak, ako to urobila faktorová analýza s následným odhadom faktorových skóre.


Výsledky dotazníkov, voľba partnera či vhodného zamesnanca, triedenie psychických porúch, pri všetkých podobných úlohách by SOM-sieť mohla byť veľmi zaujímavá (užitočná). Mimochodom vysvetľuje táto sieť presvedčivo mechanizmus tvorby rôznych kortikálnych máp, ktoré nachádzame po špeciálnom tréningu (výsledky fMR-vyšetrení jemnej motoriky u huslistov, substitúcia funkcií pri rehabilitícii, atď.).

Hopfieldova sieť - pracuje opäť na inom princípe, totiž jednorázového učenia (single shot learning, každý vzor, ktorý sa má sieť naučiť je len raz sieti prezentovaný). Hopfieldova sieť má svoje uplatnenie v rozpoznávaní zašumených geometrických vzorov. Výkon siete je veľmi závislý na počte použitých neurónov v sieti.
(J.J.Hopfield. Neural networks and physical systems with emergent collective computational abilities. Proc. of the National Academy of Science,USA, 79:2554–2558, 1982.).




Táto sieť ilustruje názorne následky preťaženia kapacity pamäte. Prečo dochádza u pacientov s poškodením frontálneho laloku štatisticky významne pri spomínaní na uplynulé udalosti k tzv. quell errors (chybným údajom o tom, odkiaľ informácia pochádza)?
Uživateľ môže v programe používať vlastné predlohy vzorov a pozorovať interferenciu podobných vzorov.


A ešte malá ukážka literárnej tvorby tzv.RNN (rekurentnej neuronálnej siete). Program RNN sa učil skladať písmená do slov pomocou textu prvého dielu Haškovho Švejka. Ortografické znamienka boli už v učebnom texte nahradené zodpovedajúcimi písmenami bez znamienok:



home