Teoría de la resonancia adaptativa (ART)

Teoría de la resonancia adaptativa (ART)
La teoría de la resonancia adaptativa es un tipo de técnica de red neuronal desarrollada por Stephen Grossberg y Gail Carpenter en 1987. La ART básica utiliza una técnica de aprendizaje no supervisado. El término «adaptativo» y «resonancia»utilizado en esto sugiere que están abiertos a nuevos aprendizajes (es decir, adaptativos) sin descartar la información anterior o antigua (es decir, resonancia). Se sabe que las redes ART resuelven el dilema estabilidad-plasticidad, es decir, la estabilidad se refiere a su naturaleza de memorizar el aprendizaje y la plasticidad se refiere al hecho de que son flexibles para obtener nueva información. Debido a esta naturaleza de ART, siempre pueden aprender nuevos patrones de entrada sin olvidar el pasado. Las redes ART implementan un algoritmo de agrupamiento. La entrada se presenta a la red y el algoritmo verifica si encaja en uno de los grupos ya almacenados. Si encaja, la entrada se agrega al grupo que coincida más; de lo contrario, se forma un nuevo grupo.

Tipos de Teoría de la Resonancia Adaptativa (ART)
Carpenter y Grossberg desarrollaron diferentes arquitecturas ART como resultado de 20 años de investigación. Las ART se pueden clasificar de la siguiente manera:

• ART1: es la arquitectura ART más simple y básica. Es capaz de agrupar valores de entrada binarios.
• ART2: es una extensión de ART1 que es capaz de agrupar datos de entrada de valor continuo.
• Fuzzy ART: es el aumento de la lógica difusa y ART.
• ARTMAP: es una forma supervisada de aprendizaje ART en la que un ART aprende en función del módulo ART anterior. También se conoce como ART predictivo.
• FARTMAP: esta es una arquitectura ART supervisada con lógica difusa incluida.

Conceptos básicos de la arquitectura de la teoría de la resonancia adaptativa (ART)
La teoría de la resonancia adaptativa es un tipo de red neuronal autoorganizada y competitiva. Puede ser de ambos tipos, los no supervisados ​​(ART1, ART2, ART3, etc) o los supervisados ​​(ARTMAP). Generalmente, los algoritmos supervisados ​​se nombran con el sufijo “MAP”.
Pero el modelo básico de ART es de naturaleza no supervisada y consiste en:

• Capa F1 o el campo de comparación (donde se procesan las entradas)
• Capa F2 o el campo de reconocimiento (que consta de las unidades de agrupación)
• El Módulo de Reset (que actúa como mecanismo de control)

La capa F1 acepta las entradas y realiza algún procesamiento y lo transfiere a la capa F2 que mejor se ajusta al factor de clasificación.
Existen dos conjuntos de interconexión ponderada para controlar el grado de similitud entre las unidades en la capa F1 y F2.
La capa F2 es una capa competitiva. La unidad de clúster con la entrada neta grande se convierte en la candidata para aprender primero el patrón de entrada y las demás unidades F2 se ignoran.
La unidad de reinicio toma la decisión de si la unidad de clúster puede o no aprender el patrón de entrada dependiendo de qué tan similar sea su vector de peso de arriba hacia abajo al vector de entrada y a la decisión. Esto se llama la prueba de vigilancia.
Así podemos decir que el parámetro de vigilancia ayuda a incorporar nuevos recuerdos o nueva información. Una mayor vigilancia produce recuerdos más detallados, una menor vigilancia produce recuerdos más generales.

Generalmente existen dos tipos de aprendizaje , aprendizaje lento y aprendizaje rápido. En el aprendizaje rápido, la actualización del peso durante la resonancia ocurre rápidamente. Se utiliza en ART1. En el aprendizaje lento, el cambio de peso se produce lentamente en relación con la duración de la prueba de aprendizaje. Se utiliza en ART2.

Ventaja de la Teoría de la Resonancia Adaptativa (ART)

• Exhibe estabilidad y no se ve perturbado por una amplia variedad de entradas proporcionadas a su red.
• Se puede integrar y utilizar con varias otras técnicas para dar más buenos resultados.
• Se puede utilizar para varios campos, como el control de robots móviles, el reconocimiento facial, la clasificación de la cobertura terrestre, el reconocimiento de objetivos, el diagnóstico médico, la verificación de firmas, la agrupación de usuarios web, etc.
• Tiene ventajas sobre el aprendizaje competitivo (como bpnn, etc.). El aprendizaje competitivo carece de la capacidad de agregar nuevos grupos cuando se considere necesario.
• No garantiza la estabilidad en la formación de racimos.

Limitaciones de la teoría de la resonancia adaptativa
Algunas redes ART son inconsistentes (como Fuzzy ART y ART1) ya que dependen del orden en que se entrenan los datos o de la tasa de aprendizaje.