Modelos de Redes Neuronales

¿Qué problema intrínseco del aprendizaje conexionista convencional intenta resolver la teoría ART al enfrentarse a un entorno continuamente cambiante?. El cuello de botella computacional en el procesamiento concurrente de matrices. El olvido catastrófico, fenómeno por el cual aprender nueva información produce la pérdida del conocimiento previamente almacenado. La explosión del gradiente causada por la ausencia de funciones de activación no lineales.

Según los postulados de Grossberg, ¿bajo qué condición analítica y temporal se produce exactamente el aprendizaje (modificación de pesos) en una red ART?. Únicamente durante el periodo en que la red alcanza una oscilación estable o estado de "resonancia". Inmediatamente tras la inicialización aleatoria de la capa de entrada, en modo off-line. Solamente cuando el vector de entrada es puramente escalar.

Dentro de la macro-arquitectura de la red ART, ¿dónde se localizan y qué función cumplen los trazos de Memoria a Largo Plazo (LTM)?. Son los patrones de actividad efímeros generados exclusivamente en el subsistema de orientación. Son los pesos asociados a las conexiones sinápticas (bottom-up y top-down) ubicadas entre la capa F1 y la capa F2. Se corresponden estrictamente con la señal de inhibición emitida por el control de ganancia.

En la dinámica de la capa F1, ¿qué condición impone la "regla de los 2/3" para que un nodo se mantenga en estado de activación?. Que su valor de error no supere los dos tercios del gradiente total. Que reciba señales de excitación provenientes de al menos dos de sus tres posibles fuentes de entrada. Que el parámetro de vigilancia se establezca obligatoriamente en el valor 0.66.

¿Qué mecanismo de cálculo rige la activación de las neuronas que componen la capa F2 ante un vector procedente de F1?. Operan bajo una dinámica competitiva de tipo Winner-Takes-All, donde solo la neurona que recibe la señal máxima se activa (emitiendo 1) y el resto se inhiben (emitiendo 0). Se activan en paralelo aplicando una regresión logística multinomial conjunta. Permanecen todas activas, pero el control de ganancia reduce su umbral al 50%.

¿Qué efecto estructural produce en la red establecer el parámetro de vigilancia (ρ) con un valor muy alto (próximo a 1)?. Incrementa exponencialmente el error de sobreajuste provocando olvido catastrófico. Obliga a la red a ser más estricta con el emparejamiento, prestando atención a las diferencias y formando un mayor número de categorías precisas. Obliga a la red a agrupar casi todos los patrones en una única categoría global, maximizando la generalización.

Si un nodo ganador en la capa F2 no satisface la exigencia del parámetro de vigilancia, ¿qué mecanismo se desencadena en la red para solventarlo?. Se recalcula obligatoriamente la matriz top-down dividiéndola por cero. El sistema de orientación emite una señal de "reset" que aplica una inhibición sostenida sobre ese nodo, obligando a la red a buscar otro ajuste o a reclutar un nodo virgen. La red finaliza el entrenamiento y solicita intervención humana off-line.

A nivel de implementación operativa, ¿qué cualidad distingue fuertemente el entrenamiento de ART1 del entrenamiento típico de los clasificadores off-line estandarizados?. Requiere borrar y vaciar todo el conocimiento actual para asimilar la más mínima alteración en los datos. Ostenta la capacidad de aprendizaje "on-line", pudiendo aprender y asimilar nuevo conocimiento al mismo tiempo que sigue en funcionamiento activo. Su incapacidad absoluta para categorizar vectores binarios.

Dado que el modelo primigenio ART1 sufre de una restricción geométrica al procesar exclusivamente vectores binarios, ¿qué variante arquitectónica se formuló para solventar este límite operando con inputs escalares (valores continuos)?. ART Gramatical. ART2. ART Bayesiano.