Lexikon der Mathematik: multilinearer (Sigma-Pi-)Assoziierer
Bezeichnung für ein spezielles zweischichtiges Neuronales Netz für bipolare Eingabewerte, das mit der verallgemeinerten Hebb-Lernregel trainiert wird und im Ausführ-Modus auf den Trainingswerten exakt arbeitet.
Im folgenden wird der multilineare Assoziierer kurz skizziert: Es sei ein zweischichtiges neuronales Feed-Forward-Netz mit multilinearer Aktivierung und identischer Transferfunktion in den Ausgabe-Neuronen gegeben (vgl. Abbildung).
Wenn man diesem Netz eine Menge von t Trainingswerten mit bipolaren Eingabewerten (x(
\begin{eqnarray}{w}_{R,j}:={2}^{-n}\displaystyle \sum _{s=1}^{t}{y}_{j}^{(s)}\displaystyle \prod _{i\in R}{x}_{i}^{(s)}\end{eqnarray}
für R ⊂ {1, … , n} und 1 ≤ j ≤ m. Sind nun die bipolaren Eingabetrainingsvektoren x(
\begin{eqnarray}\displaystyle \sum _{R\subset \{1,\ldots ,n\}}{w}_{R,j}\displaystyle \prod _{i\in R}{x}_{i}^{(s)}={y}_{j}^{(s)}\end{eqnarray}
Schließlich sei noch erwähnt, daß der Sigma-Pi-Assoziierer insbesondere jede bipolar codierte Boolesche Funktion f : {−1, 1}n → {−1, 1}m exakt implementieren kann und damit implizit gezeigt ist, daß jede Boolesche Funktion exakt durch ein derartiges neuronales Netz dargestellt werden kann.
Wenn Sie inhaltliche Anmerkungen zu diesem Artikel haben, können Sie die Redaktion per E-Mail informieren. Wir lesen Ihre Zuschrift, bitten jedoch um Verständnis, dass wir nicht jede beantworten können.