Professional Documents
Culture Documents
Departamento de Informtica
Universidad Carlos III de Madrid
Avda. de la Universidad, 30. 28911 Legans (Madrid)
J.M.Valls-2007
Aprendizaje no supervisado
Introduccin
Modelo bsico
Modelo de Interaccin Lateral
Aprendizaje Competitivo
J.M.Valls-2007
Introduccin
Caractersticas principales de las RNA no supervisadas
No necesitan de un profesor externo
La red descubre en los datos de entrada y de forma autnoma:
Caractersticas
Regularidades
Correlaciones
Categoras
y es capaz de obtenerlas de forma codificada en la salida
Por tanto, muestran cierto grado de Auto-organizacin
Slo consigue resultados tiles si existe algn tipo de redundancia
sin redundancia sera imposible encontrar patrones o caractersticas en los
datos
Redes de Neuronas. Aprend. No Supervisado
J.M.Valls-2007
Introduccin
Caractersticas principales (II)
Suelen requerir menores tiempos de entrenamiento que las
supervisadas
Modelos ms cercanos a estructuras neurobiolgicas. Tienden a imitar
su comportamiento
Arquitectura simple. Habitualmente son:
Una sola capa
Feed-forward
Las leyes de aprendizaje suelen ser ms complejas
Tipos fundamentales
Kohonen (SOM)
Grossberg (ART)
J.M.Valls-2007
Introduccin
Problemas abordables con estas redes
Familiaridad:
Similitud entre una entrada y un valor tipo
(media de valores presentados con anterioridad)
Anlisis de componentes principales
Qu atributos son ms importantes en el conjunto de datos
De forma que los dems puedan eliminarse sin prdida significativa de informacin
Agrupamiento (Clusterizacin)
Determinar la existencia de clases y clasificar los patrones
Prototipado
Obtener prototipo asociado a la clase del patrn de entrada
Extraccin y relacin de caractersticas
Mapa topolgico de los datos de entrada: que patrones parecidos produzcan
respuestas similares en clulas cercanas
J.M.Valls-2007
Modelo bsico
Regla de Hebb
Aportacin fundamental a las RNA
En apr. no supervisado no hay informacin externa que
ayude a decidir cmo modificar las conexiones
Esta regla contribuye a decidir cmo y en qu grado
modificar las conexiones sin depender de factores
externos
Parte de la observacin del comportamiento de clulas
cerebrales
J.M.Valls-2007
Modelo bsico
Regla de Hebb
Cuando el axn de una clula A est lo suficientemente cerca para
excitar a una clula B, y toma parte repetidamente en el proceso de
disparo de dicha clula, se produce algn tipo de cambio
metablico en una de las clulas (o en las dos), que hace que la
eficacia con la que A disparaba a B se vea incrementada
Esto significa que los pesos que unen a dos neuronas aumentan si se
activan a la vez y disminuyen si se activan en distinto momento
J.M.Valls-2007
Modelo bsico
Regla de Hebb
Hay muchas propuestas de implementacin para esta regla
wij=aiaj
wij= ai aj
wij=(ai - ai)(aj - aj)
Caracterstica bsicas de las RNA no supervisadas:
Interaccin lateral
Aprendizaje competitivo
Redes de Neuronas. Aprend. No Supervisado
J.M.Valls-2007
J.M.Valls-2007
J.M.Valls-2007
10
J.M.Valls-2007
11
Conexin excitatoria
Conexin inhibitoria
Redes de Neuronas. Aprend. No Supervisado
J.M.Valls-2007
12
i (t ) = [ i (t ) + k i + k (t 1)]
k =l
Donde:
i(t) es la salida de la unidad i.
[x]: funcin no lineal de tipo sigmoide.
k : pesos de las conexiones laterales
i(t): entradas de la clula i.
J.M.Valls-2007
13
J.M.Valls-2007
14
J.M.Valls-2007
15
Aprendizaje competitivo
Caractersticas
Tipo de Aprendizaje no supervisado utilizado en modelos de RNA
Objetivo: categorizar los datos de entrada
Datos parecidos han de ser clasificados como pertenecientes a la
misma categora
Hay una capa de clasificacin compuesta por tantas neuronas como
categoras pueda haber en los datos
Cada categora representada por un prototipo
El prototipo recoge las caractersticas similares de los datos de su
categora
En la capa de clasificacin, cada clula se corresponde con un prototipo
J.M.Valls-2007
16
Aprendizaje competitivo
Caractersticas (II)
El sistema debe relacionar cada clula (prototipo) con los datos de
entrada que representa
Debe agrupar los datos de entrada en categoras, por razones de
similitud, y asignar a cada categora un prototipo
El prototipo sera utilizado para clasificar datos nuevos y desconocidos.
J.M.Valls-2007
17
Aprendizaje competitivo
Arquitectura
Dos capas: F1 capa de entrada y F2 capa de competicin
Cada clula de la capa F1 est conectada con todas las clulas
de la capa F2 a travs de conexiones ponderadas variables
F2 tiene conexiones laterales
inhibitorias entre todas las
clulas de su capa, excepto
con ella misma, en que la
conexin es excitatoria
J.M.Valls-2007
18
Aprendizaje competitivo
Las conexiones en F2 son fijas
Corresponde a un modelo de interaccin lateral con valores
positivos para la propia clula y negativos y de valor constante
para las dems
Cada clula se refuerza a s misma
Una vez que las clulas de F2 han sido activadas por
las entradas de F1, esta deja de actuar y la seal se
propaga por F2: todas las clulas intentarn impedir que
las dems tengan un valor alto (conex. inhibit) e intentarn
tener ellas mismas un valor alto (conex. excitat).
J.M.Valls-2007
19
Aprendizaje competitivo
Procedimiento
1.
2.
3.
4.
J.M.Valls-2007
20
Aprendizaje competitivo
J.M.Valls-2007
21
Aprendizaje competitivo
Aprendizaje
La clula ganadora representa al prototipo que es asignado al dato de
entrada
Las conexiones entre la capa F1, la de la entrada, y la clula ganadora
son reforzadas
Es por esto que se llama el que gana se lo lleva todo (winner takes all)
Clula ganadora
F2
j
F1
J.M.Valls-2007
22
Aprendizaje competitivo
Ecuaciones de aprendizaje
1 si j ganadora
0 en caso contrario
Ii
i= M I
j=1 j
Siendo Ii el i-simo elemento del ejemplo de entrada
Redes de Neuronas. Aprend. No Supervisado
J.M.Valls-2007
23
Aprendizaje competitivo
Problemas
No es capaz de producir una codificacin estable ante entradas
arbitrarias
Si se perturba la red con valores aleatorios y se vuelven a introducir los
valores de entrada, puede producirse una respuesta incorrecta
J.M.Valls-2007
24
http://www.cis.hut.fi/research/som-research/nnrc-programs.shtml
http://www.cis.hut.fi/~hynde/lvq/index.html
Applet: http://neuron.eng.wayne.edu/software.html
Redes de Neuronas. Aprend. No Supervisado
J.M.Valls-2007
25
11
12
1m
22
22
2m
...
n1
n2
nm
J.M.Valls-2007
26
J.M.Valls-2007
27
d(x,y)= i=1xiyi
En este caso, la salida de la capa de competicin ser la habitual
en los modelos supervisados (suma ponderada de las entradas por
los pesos de las conexiones)
j = i=1eiij
Redes de Neuronas. Aprend. No Supervisado
J.M.Valls-2007
28
d(x,y)=
n
(i=1(xi-yi)2)1/2
j = (i=1(ei-ij)2)1/2
J.M.Valls-2007
29
J.M.Valls-2007
30
J.M.Valls-2007
31
J.M.Valls-2007
32
J.M.Valls-2007
33
tasa de aprendizaje
dij
=(t)j (t) (ei(t) - ij(t))
dt
j =
1 si j ganadora
0 en caso contrario
J.M.Valls-2007
Coordenada i de la
unidad j
si no se tiene en
cuenta el vecindario
34
Iteraciones =
(t)
J.M.Valls-2007
35
dij
=
dt
Si ci ganadora
y d(ci,cj)<
en caso contrario
J.M.Valls-2007
36
1 j = (e1 1 j ) =
2j
2j
e2
1
e1
e2
2
1j
e1
J.M.Valls-2007
1j
37
J.M.Valls-2007
38
J.M.Valls-2007
39
Mtodo de Kohonen
1.
Inicializar pesos.
Asignar a los pesos valores pequeos aleatorios.
2.
3.
4.
5.
Si
i t
b l
40
J.M.Valls-2007
41
J.M.Valls-2007
42
J.M.Valls-2007
43
J.M.Valls-2007
44
J.M.Valls-2007
45
J.M.Valls-2007
46
J.M.Valls-2007
47
J.M.Valls-2007
48
J.M.Valls-2007
49
J.M.Valls-2007
50
J.M.Valls-2007
51
J.M.Valls-2007
52
J.M.Valls-2007
53
J.M.Valls-2007
54
J.M.Valls-2007
55
J.M.Valls-2007
56
J.M.Valls-2007
57
J.M.Valls-2007
58
J.M.Valls-2007
http://www.cis.hut.fi/research/som-research/worldmap.html
59
J.M.Valls-2007
60
http://geneura.ugr.es/~jmerelo/tutoriales/heuristics101/
J.M.Valls-2007
61
J.M.Valls-2007
http://geneura.ugr.es/~jmerelo/tutoriales/heuristics101/
62
Enlaces
SOM 3D
http://rfhs8012.fh-regensburg.de/~saj39122/jfroehl/diplom/esample.html
SOM 2D
http://neuron.eng.wayne.edu/software.html
TSP
http://www.cs.usyd.edu.au/~irena/ai01/nn/tsp.html
J.M.Valls-2007
63
J.M.Valls-2007
64
J.M.Valls-2007
65
J.M.Valls-2007
66
J.M.Valls-2007
67
J.M.Valls-2007
68
J.M.Valls-2007
69
Subsistema
Orientador
F2
STM
Gain control
LTM
STM
Onda de
Reset
LTM
STM
F1
Gain control
J.M.Valls-2007
Estmulo
70
J.M.Valls-2007
71
J.M.Valls-2007
72
J.M.Valls-2007
73