ppt

Wismar
Business School
Wissensextraktion
mittels
künstlicher neuronaler Netze
Wettbewerbslernen
Uwe Lämmel
www.wi.hs-wismar.de/~laemmel
[email protected]
Neuronale Netze - Wettbewerbslernen
Folie 1
Inhalt




Wettbewerbslernen
Selbstorganisierende Karte
Neuronale Gase
Adaptive Resonanz Theorie
Neuronale Netze - Wettbewerbslernen
Folie 2
Wettbewerbslernen




Aktivierung eines Neurons nicht nur von Eingabe abhängig
Vergleich mehrere Neuronen notwendig
Netzausgabe durch ein Gewinner-Neuron
Architektur:
k-dim.
Eingabevektor x
 Ziel:
ähnliche Eingabe auf
benachbarte Neuronen abbilden
N Neuronen,
Gewinnerneuro
n nx
Neuronale Netze - Wettbewerbslernen
Folie 3
Wettbewerbslernen: Voronoi-Mosaik
•Voronoi-Tesselation
• Voronoi-Mengen eines Neurons s:
Menge aller Punkte,
für die das Neuron s
das Gewinner-Neuron ist
Referenzvektor
Ähnliche Eingaben auf benachbarte Neuronen abbilden
Neuronale Netze - Wettbewerbslernen
Folie 4
Netze und Verfahren
Architektur
 fest
– SOM
– Neuronales Gas
– LBG
 variabel
– Wachsende Neuronale Gase
– Wachsende Zellstrukturen
Lernverfahren
 hart –
nur Gewinner–Neuron
wird adaptiert:
– LBG
 weich – auch andere Neuronen
modifizieren:
– SOM,
– Neuronale Gase,
– wachsende Zellstrukturen
Neuronale Netze - Wettbewerbslernen
Folie 5
Inhalt




Wettbewerbslernen
Selbstorganisierende Karte
Neuronale Gase
Adaptive Resonanz Theorie
Neuronale Netze - Wettbewerbslernen
Folie 6
Selbstorganisierende Karten (SOM)
 Fähigkeit des Gehirns zur Selbstorganisation nachbilden
 räumliche Lage eines Neurons im Kopf bedeutend
(wurde bisher vernachlässigt)
 existieren Beziehungen räumlicher Art zur Umgebung
Kohonen Feature Map
 zweischichtiger Muster-Assoziator
 Eingabe-Schicht voll vernetzt mit Karten-Schicht
 Neuronen der Karten-Schicht untereinander voll vernetzt
(virtuell)
Neuronale Netze - Wettbewerbslernen
Folie 7
Clusterung
 Ziel:
Alle Eingaben einer Klasse werden auf genau ein Neuron abgebildet
f
ai
Ausgabe B
Eingabemenge A
 Problem:
Klassifikation im Eingaberaum allgemein nicht bekannt.
 Netz nimmt eine Clusterung vor.
Neuronale Netze - Wettbewerbslernen
Folie 8
Gewinner-Neuron
Winner
Neuron
InputLayer
Kohonen- Layer
Neuronale Netze - Wettbewerbslernen
Folie 9
Lernen in SOM
1. Wahl einer Eingabe k zufällig aus dem Problemraum
2. Das Neuron z mit maximaler Erregung wird bestimmt
3. Anpassung der Gewichtsvektoren in der Nachbarschaft von z:
Neuronen i innerhalb eines Radius r von z.
4. Stopp – falls gewünschte Zahl von Lernzyklen erreicht,
Sonst – Lernfaktor und Radius verkleinern
und mit 1. fortfahren.
Neuronale Netze - Wettbewerbslernen
Folie 10
Erregungszentrum
 Prinzip:
Neuronen (-gruppe) mit starker Erregung hemmen Gruppen in der
Umgebung, um eigene Wirksamkeit zu erhöhen!
 Problem:
Finden des Erregungszentrums – 2 Möglichkeiten:
 Neuron j mit maximalen Nettoinput
w
iz
i
 oi max
j
w
ij
 oi
i
 Neuron j, dessen Gewichtsvektor wj der Eingabe am ähnlichsten
ist (euklidischer Abstand):
z:
 x - wz  = minj  x - wj 
Neuronale Netze - Wettbewerbslernen
Folie 11
Anpassen der Gewichte
 Gewichte zu Neuronen innerhalb eines Radius r werden erhöht:

wij    h jz  (mi  wij ),
wij  

wij sonst
 Kohonen benutzt Funktion :
Mexican-Hat-Annäherung
1
0,5
h jz  e
3
2
1
0
-1
-2
0
-3
 Grad der Beeinflussung
durch den räumlichen Abstand
zum Erregungszentrum?
 Lernrate (t) sowie
 Radius r(t)
laufen gegen null
falls dist ( j, z )  r
dist( j , z ) 2
2r 2
Neuronale Netze - Wettbewerbslernen
Folie 12
SOM Training – Summary
 find the winner neuron z
for an input pattern p
(minimal Euclidian distance)
input
pattern mp
min m p W j  m p W z
j
Wj Kohonen layer
 adapt weights of connections
input – neurons to
– winner neuron

wij    h jz  (mi  wij ) , if dist( j, z ) r
/
wij  
– neighbours
dist( j , z ) 2
w
, otherwise


ij
h jz  e

2r 2
 Reduce  and r (see parameter (H) and (R) in JavaNNS – Kohonen
 Randomize training patterns
Neuronale Netze - Wettbewerbslernen
Folie 13
Beispiel Bankkunde
A1: Kredit Geschichte
A2: Schulden
A3: Sicherheiten
A4: Einkommen
 Klassifikation bleibt unbeachtet
 SOM nimmt Clusterung vor
Neuronale Netze - Wettbewerbslernen
Folie 14
Bank-Kunde
 gut
= {5,6,9,10,12}
 normal = {3, 8, 13}
 schlecht= {1,2,4,7,11,14}
Neuronale Netze - Wettbewerbslernen
Folie 15
Credit Scoring
 Pascal tool box (1991)
 10x10 neurons
 32,000 training steps
Neuronale Netze - Wettbewerbslernen
Folie 16
Visualisation of a SOM
 Colour reflects Euclidian
distance to input
 Weights used as
coordinates of a neuron
 Colour reflects cluster
NetDemo
ColorDemo
TSPDemo
Neuronale Netze - Wettbewerbslernen
Folie 17
Das Rundreiseproblem
Travelling Salesman Problem (TSP):
Es sind mehrere Orte zu besuchen und
danach ist zum Ausgangsort zurückzukehren.
Welches ist der kürzeste (schnellste) Weg für
eine derartige Rundreise?
Neuronale Netze - Wettbewerbslernen
Folie 18
Komplexität des Rundreiseproblems
Stralsund
 Aufwand zum Durchsuchen
aller Möglichkeiten:
Rostock
Greifswald
Wismar
Schwerin
Neubrandenburg
(Pascal-Programm, PC Technik, Stand ca. 1998)
 18 Kreis- und kreisfreie Städte in MV !
Neuronale Netze - Wettbewerbslernen
Folie 19
SOM solves TSP
Kohonen layer
Draw a neuron at position:
input
w1i= six
(x,y)=(w1i,w2i)
X
Y
w2i= siy
Neuronale Netze - Wettbewerbslernen
Folie 20
SOM löst TSP
 Initialer Kreis expandiert zu Rundkurs
 Lösungen für mehrere hundert Orte in
kurzer Zeit möglich
 Rundkurs muss nicht optimal sein
Neuronale Netze - Wettbewerbslernen
Folie 21
Beispiele
– Probieren sie die Clusterung von Tieren (Kruse) aus.
Verändern Sie den Trainingssatz (Austausch eines Tieres) und
vergleichen Sie die entstehende Clusterung.
– Machen Sie sich mit der Lösung des Rundreiseproblems mittels
einer SOM vertraut.
– Greifen Sie auf das Beispiel Wetter-Spiel zurück und clustern Sie
diese Daten. Vergleichen Sie das Ergebnis mit der gegebenen
Klassifikation
Neuronale Netze - Wettbewerbslernen
Folie 22
Inhalt




Wettbewerbslernen
Selbstorganisierende Karte
Neuronale Gase
Adaptive Resonanz Theorie
Neuronale Netze - Wettbewerbslernen
Folie 23
Neuronales Gas
 für Eingabesignal werden alle Neuronen nach ihrem Abstand zur Eingabe geordnet
 Adaption entspricht dem Rang des Neurons
 Adaption gemäß Zeit- und Reichweiten-Faktor
 Wachsende Gase:
– Einfügen eines neuen
Neurons zwischen Neuron
mit größtem Fehler und
einem Nachbarn
Neuronale Netze - Wettbewerbslernen
Folie 24
Hebb‘sches Wettbewerbslernen
 Zwischen Gewinner-Neuron und „zweitem“ Gewinner wird neue Verbindung
eingefügt:
 Wird in Zusammenhang mit anderen Verfahren verwendet, z.B. Neuronalen Gasen,
Neuronale Netze - Wettbewerbslernen
Folie 25
Wachsende Zellstrukturen/Gitter
 Zellstrukturen:
– Verbindungen bilden Simplex, z.B. Dreieck
 Gitter:
– rechteckige Gitterstruktur
Neuronale Netze - Wettbewerbslernen
Folie 26
LBG - Linde, Bozo, Gray (1980)
 Batch-Verfahren
 Referenzvektor wird in Richtung des Schwerpunktes der
Voronoi-Menge bewegt
 hartes Lernverfahren
Neuronale Netze - Wettbewerbslernen
Folie 27
Inhalt




Wettbewerbslernen
Selbstorganisierende Karte
Neuronale Gase
Adaptive Resonanz Theorie
Neuronale Netze - Wettbewerbslernen
Folie 28
Adaptive Resonance Theory (ART)
 Bisher: Training eines neuen Musters kann Gewichte so zerstören,
dass alte Muster nicht mehr erkannt werden
 Stabilitätsproblem
 Wie neue Muster und deren Klassifizierungen lernen,
ohne dass vorhandene Klassifizierungen verlernt werden?
 Plastizitätsproblem
 ART: (entwickelt von Grossberg und G. Carpenter)
 zufällige Folge von Eingaben (Vektoren) unüberwacht klassifizieren
(ohne äußere Einwirkung)
 Annäherung an biologisches Verhalten
 Familie hybrider neuronaler Netze;
hier: ART1: binäre Eingabevektoren
Neuronale Netze - Wettbewerbslernen
Folie 29
ART - Modell
w1
Winkel p:
Aufmerksamkeitsabstand
Klassifikationsraum
w2
Neuronale Netze - Wettbewerbslernen
Folie 30
ART - Arbeitsweise
 Arbeitsweise:
 Netz versucht Eingabevektor in vorhandene Kategorie zu
klassifizieren;
 Falls KEINE Ähnlichkeit mit gespeicherten Kategorien
neue Kategorie;
 Falls Kategorie gefunden, wird gespeichertes Muster leicht
korrigiert,
um Ähnlichkeit mit neuer Eingabe zu erreichen;
 Muster ohne Ähnlichkeit zur Eingabe bleiben unverändert
Neuronale Netze - Wettbewerbslernen
Folie 31
ART - Architektur
+
+
j
Erkennungsschicht
F2
...
-
g2
Matrix
Wji
(binär)
U
T
V
S
Matrix
WijR
-
+
+
...
i
g1
Vergleichssschicht F1
v
+
Eingabe I Binärvektor
Neuronale Netze - Wettbewerbslernen
Folie 32
ART - Architektur - Arbeitsweise
+ +
j ...
U
T
Komponenten:
Wji
 Vergleichschicht (Comparison layer) F1
(binä
S
V
 Erkennungsschicht (recognition layer) F2
- r)
+ g+1
 zwei Verstärkungsfaktoren (je ein Neuron),
i ...
 gain
(Gewinn)
 Reset-Komponente (ein Neuron) Vigilance (Wachsamkeit)
g2
Arbeitsweise:
(1) Erkennungsphase
(2) Vergleichsphase
Wij
R
+
v
(3) Suchphase
(4) Adaption der Gewichte
Neuronale Netze - Wettbewerbslernen
Folie 33
ART - Initialisierung
+ +
g2
-
Wji
(binä
r)
+ g+1
j ...
U
T
S
V
Wij
R
-
i ...
+
v
 i,j : wij < L/(L-1+m)
(von F1 nach F2)
iF1, jF2 , m=length( I ),
L - Konstante L>1, oft L=2
 j,i : wji = 1
(von F2 nach F1)
 Toleranzparameter: 0p1 ;
nahe 1: feine Unterschiede;
nahe 0 grobe Klassifizierung
Neuronale Netze - Wettbewerbslernen
Folie 34
ART - Erkennungsphase
+ +
g2
 Eingabe=Nullvektor
 Verstärkung g2=0 und alle j abgeschaltet,
 V=Nullvektor
-
Wji
(binä
r)
+ g+1
j ...
U
T
S
V
i ...
Wij
R
+
 Anlegen einer Eingabe I Nullvektor  g1=1, g2=1
 alle Neuronen i , deren Eingabe Ii=1 ist feuern
(nach 2/3-Regel)  S ist Duplikat von I
 Bilden aller Skalarprodukte WjS (drückt Ähnlichkeit aus)
 J mit max. WjS “gewinnt”! und feuert(oJ=1),
alle anderen gebremst(oj =0 für jJ)
 uJ=1 alle anderen Komponenten von U sind 0
 nur ein Neuron der Erkennungsschicht feuert
Neuronale Netze - Wettbewerbslernen
Folie 35
v
ART - Vergleichsphase
+ +
j ...
 jedes Neuron der Vergleichsschicht
g2
U
erhält vi=wJi (0 oder 1)
T
Wji
vi =  ujwji = wJi
(binä
S
V
 da nun UNullvektor:
- r)
g1=0, nun feuern nur Neuronen i mit Ii=1 und vi=1, + g+1
i ...
damit werden Komponenten von S auf 0 gestellt,
wo Speichermuster und Eingabe unterschiedlich sind;
S = V  I = WJ  I
 enthält S viele Nullen und I an diesen Positionen 1 dann ex. kein zur
Eingabe ähnliches Muster
 Reset-Komponente feuert
 Neuron J (lieferte einzige 1) wird auf 0 gesetzt
|S|/|T| = |WJ  I | / | I |  p
Reset erfolgt für |S|/|T|<p
p=1  totale Übereinstimmung,
p=0  nur eine Klasse
 üblich: 0.7p0.99
Neuronale Netze - Wettbewerbslernen
Wij
R
+
Folie 36
v
ART - Suchphase
+ +
g2
-
 Falls Reset=1 (keine Ähnlichkeiten entdeckt)
U=(0,..,0) und g1=1 und
S wird wieder zur Kopie von I
 Suche nach neuem Gewinner-Neuron
Wji
(binä
r)
+ g+1
j ...
U
T
S
V
Wij
R
-
i ...
+
v
 Prozess wird wiederholt bis:
a) gespeichertes Muster gefunden,
welches I genügend ähnlich ist
b) kein gespeichertes Muster ähnlich
neues Neuron j benutzt und
WJ entsprechend Eingabe I gesetzt
Neuronale Netze - Wettbewerbslernen
Folie 37
ART - Adaption der Gewichte
+ +
g2
Wji
(binä
r)
j ...
U
T
S
V
 Fast training:
+ g+1
Eingabe solange angelegt,
i ...
bis Gewichte stabil werden:
 WJ - Gewichtsmatrix von F (wandelt S in T um: von F1 nach F2 )
 wiJ= Lsi / (L - 1 + sk)
si- Komponente des Ausgabevektrors von F1
J- Nummer des Gewinnerneurons von F2
L- Konstant s.o. L=2
 wJi = si
 Der sogenannte top-down-Vektor Wj = (wj1,...,wjm) ist binäres Abbild
des reellwertigen bottom-up Vektors Wj = (w1j,...,wmj)
Neuronale Netze - Wettbewerbslernen
Wij
R
+
Folie 38
v
ART - Theorem und Beispiele
 Nachdem Training stabilisiert ist,
aktiviert ein Trainingsvektor das korrekte Neuron
der Erkennungsschicht ohne Suche.
 Der Suchprozess ist stabil; Das Training ist stabil;
Der Trainingsprozess terminiert.
 ART1 Beispiele aus SNNS: Buchstaben lernen: art1_letters.*
Aufgabe: Bilden Sie das ART1-Neuronale Netz neu,
benutzen Sie dazu die Option BigNet.
Achten Sie auf korrekte Bias-Werte. Trainieren Sie das Netz.
 Entwickeln Sie ein ART1-Netz zur Klassifikation von Würfelzahlen.
Neuronale Netze - Wettbewerbslernen
Folie 39
ART-Netz im SNNS
Neuronale Netze - Wettbewerbslernen
Folie 40
Ende
Neuronale Netze - Wettbewerbslernen
Folie 41