Competitively Inhibited Neural Networks for Adaptive Parameter Estimation

شبکه های عصبی مصنوعی در پنج سال گذشته توجه بسیاری از محققان را به خود جلب کرده است. مانند بسیاری از زمینه‌های جوان، تحقیقات شبکه‌های عصبی عمدتاً تجربی بوده و به شدت بر مطالعات شبیه‌سازی مدل‌های مختلف شبکه تکیه دارد. البته تجربه گرایی برای هر علمی ضروری است زیرا مجموعه ای از مشاهدات را ارائه می دهد که امکان توصیف اولیه این حوزه را فراهم می کند. با این حال، در نهایت، هر میدان در حال بلوغ باید فرآیند اعتبار سنجی حدس‌های مشتق‌شده تجربی را با مدل‌های ریاضی دقیق آغاز کند. علم همیشه به این شکل پیش رفته است. از این طریق است که علم نتایجی را ارائه می دهد که می تواند در کاربردهای مختلف مورد استفاده قرار گیرد. این تک نگاری توسط مایکل لمون دقیقاً چنین کاوش نظری از نقش رقابت در شبکه های عصبی مصنوعی ارائه می دهد. "خبر خوب" و "خبر بد" در ارتباط با تحقیقات نظری در شبکه های عصبی وجود دارد. خبر بد این است که چنین کاری معمولاً مستلزم درک و گردآوری نتایج بسیاری از رشته‌های به ظاهر متفاوت مانند زیست‌شناسی عصبی، روان‌شناسی شناختی، نظریه معادلات دیفرانسیل، نظریه سیستم‌های مقیاس بزرگ، علوم کامپیوتر، و مهندسی برق است. خبر خوب این است که برای کسانی که قادر به انجام این ترکیب هستند، جوایز غنی هستند که در این تک نگاری مثال زده شده است.

Artificial Neural Networks have captured the interest of many researchers in the last five years. As with many young fields, neural network research has been largely empirical in nature, relyingstrongly on simulationstudies ofvarious network models. Empiricism is, of course, essential to any science for it provides a body of observations allowing initial characterization of the field. Eventually, however, any maturing field must begin the process of validating empirically derived conjectures with rigorous mathematical models. It is in this way that science has always pro­ ceeded. It is in this way that science provides conclusions that can be used across a variety of applications. This monograph by Michael Lemmon provides just such a theoretical exploration of the role ofcompetition in Artificial Neural Networks. There is "good news" and "bad news" associated with theoretical research in neural networks. The bad news isthat such work usually requires the understanding of and bringing together of results from many seemingly disparate disciplines such as neurobiology, cognitive psychology, theory of differential equations, largc scale systems theory, computer science, and electrical engineering. The good news is that for those capable of making this synthesis, the rewards are rich as exemplified in this monograph.