ANN: memoria asociativa bidireccional (BAM)

La memoria asociativa bidireccional (BAM) es un modelo de aprendizaje supervisado en redes neuronales artificiales. Esta es una memoria heteroasociativa , para un patrón de entrada, devuelve otro patrón que es potencialmente de un tamaño diferente. Este fenómeno es muy similar al del cerebro humano. La memoria humana es necesariamente asociativa. Utiliza una string de asociaciones mentales para recuperar una memoria perdida como asociaciones de rostros con nombres, en preguntas de examen con respuestas, etc.
En tales asociaciones de memoria para un tipo de objeto con otro, se necesita una Red Neuronal Recurrente (RNN) para recibir un patrón de un conjunto de neuronas como entrada y generar un patrón de salida relacionado, pero diferente, de otro conjunto de neuronas.

¿Por qué se requiere BAM?
El principal objetivo de introducir un modelo de red de este tipo es almacenar pares de patrones heteroasociativos.
Esto se usa para recuperar un patrón dado un patrón ruidoso o incompleto.

Arquitectura BAM:
cuando BAM acepta una entrada del vector X de n dimensiones del conjunto A , el modelo recupera el vector Y de m dimensiones del conjunto B. De manera similar, cuando Y se trata como entrada, el BAM recuerda X .

Algoritmo:

Almacenamiento (aprendizaje): en este paso de aprendizaje de BAM, la array de peso se calcula entre M pares de patrones (memorias fundamentales) que se almacenan en los pesos sinápticos de la red siguiendo la ecuación $W=\sum_{m=1}^{M} X_{m} Y_{m}^{T}$
Pruebas: Tenemos que comprobar que el BAM recuerda perfectamente $Y_{m}$ para corresponder $X_{m}$ y recuerda $X_{m}$ para corresponder $Y_{m}$ . Usando,
$Y_{m}=\operatorname{signo}\left(W^{T} X_{m}\right), \quad m=1.2, \ldots, M\]\[X_{m}=\operatorname{ signo}\left(W Y_{m}\right), \quad m=1.2, \ldots, M$

Todos los pares deben ser recordados en consecuencia.
Recuperación: para un vector X desconocido (una versión corrupta o incompleta de un patrón del conjunto A o B ) al BAM y recuperar una asociación previamente almacenada:
- Inicialice el BAM:
  $X(0)=X, \quad p=0$
- Calcule la salida de BAM en la iteración $p$ :
  $Y(p)=\operatorname{sign}\left[W^{T} X(p)\right]$
- Actualice el vector de entrada $X(p)$ :
  $X(p+1)=\operatorname{sign}[W Y(p)]$
- Repita la iteración hasta la convergencia, cuando la entrada y la salida permanecen sin cambios.

Limitaciones de BAM:

Capacidad de almacenamiento del BAM: En el BAM, el número de asociaciones almacenadas no debe exceder el número de neuronas en la capa más pequeña.
Convergencia incorrecta: Es posible que BAM no produzca siempre la asociación más cercana.

Publicación traducida automáticamente

Artículo escrito por goodday451999 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA

Deja una respuesta Cancelar la respuesta