Design Künstlicher Neuronaler Netze: Ein Leitfaden zur effizienten Handhabung mehrschichtiger Perzeptrone

شبکه های عصبی مصنوعی (ANN) از اواسط دهه 1980 جزو نوآوری های فنی کلیدی بوده اند. آنها بسیاری از حوزه های علم را تحت تأثیر قرار می دهند و با انتظارات زیادی از نظر قابلیت های پیش بینی و دستاوردهای دانش همراه هستند.

Janette F. Walde در حال بررسی نقاط قوت و ضعف پرسپترون های چند لایه با هدف رفع علمی این است. درجات آزادی متعدد در طراحی مدل‌هایی که متعلق به کلاس مدل‌سازی ANN هستند. علاوه بر مجموعه داده های تولید شده مصنوعی، یک مجموعه داده واقعی با اطلاعات کامل بیش از 185000 واحد مشاهده نیز برای این منظور موجود است. نویسنده عملکرد پرسپترون‌های چندلایه را با روش‌های کلاسیک مقایسه می‌کند، متغیرهای ورودی مهم را با کمک تحلیل‌های حساسیت شناسایی می‌کند و روابط غیرخطی نشان‌داده‌شده برای پایه‌های علمی ماده آنها را بررسی می‌کند. مشخص می شود که مزیت شبکه عصبی مصنوعی، یعنی مشخصات پیشبردی که به سختی ضروری است زمینه عملکردی، با عطش بسیار زیاد برای داده ها جبران می شود.

Künstliche Neuronale Netze (KNN) zählen methodisch zu den zentralen technischen Innovationen seit Mitte der 1980er Jahre. Sie tangieren viele Wissenschaftsbereiche und sind mit großen Erwartungen hinsichtlich Prognosefähigkeiten und Erkenntnisgewinn verbunden.

Mit dem Ziel, die zahlreichen Freiheitsgrade bei der Ausgestaltung der Modelle wissenschaftlich fundiert zu fixieren, untersucht Janette F. Walde die Stärken und Schwächen von mehrschichtigen Perzeptronen, die zur Modellierungsklasse der KNN zählen. Dafür steht neben künstlich generierten Datensätzen auch ein realer Datensatz mit vollständigen Informationen zu mehr als 185.000 Beobachtungseinheiten zur Verfügung. Die Autorin vergleicht die Performance der mehrschichtigen Perzeptrone mit der von klassischen Verfahren, identifiziert mit Hilfe von Sensitivitätsanalysen die wichtigen Inputvariablen und überprüft die aufgezeigten nichtlinearen Zusammenhänge auf ihre substanzwissenschaftliche Fundierung. Es wird deutlich, dass dem Vorteil der KNN, nämlich die kaum erforderliche Vorabspezifizierung des funktionalen Zusammenhangs, ein enormer Datenhunger gegenübersteht.