Sensitivity Analysis for Neural Networks

شبکه‌های عصبی مصنوعی برای مدل‌سازی سیستم‌هایی استفاده می‌شوند که ورودی‌ها و خروجی‌ها را تولید می‌کنند. روابط بین ورودی‌ها و خروجی‌ها و پارامترهای نمایش مسائلی حیاتی در طراحی سیستم‌های مهندسی مرتبط هستند و تحلیل حساسیت به روش‌هایی برای تجزیه و تحلیل این روابط مربوط می‌شود. اختلالات شبکه های عصبی ناشی از عدم دقت ماشین است و می توان آنها را با تعبیه اختلالات در ورودی های اصلی یا وزن اتصال شبیه سازی کرد و به ما امکان می دهد ویژگی های یک تابع را تحت اغتشاشات کوچک پارامترهای آن مطالعه کنیم.

این اولین کتابی است که توصیفی سیستماتیک از روش های تحلیل حساسیت برای شبکه های عصبی مصنوعی ارائه می دهد. این تحلیل حساسیت شبکه‌های عصبی پرسپترون چندلایه و شبکه‌های عصبی تابع پایه شعاعی، دو مدل پرکاربرد در زمینه یادگیری ماشین را پوشش می‌دهد. نویسندگان کاربردهای چنین تحلیلی را در کارهایی مانند انتخاب ویژگی، کاهش نمونه و بهینه سازی شبکه بررسی می کنند. این کتاب برای مهندسانی که از تحلیل حساسیت شبکه عصبی برای حل مسائل عملی استفاده می کنند و برای محققان علاقه مند به مسائل اساسی در شبکه های عصبی مفید خواهد بود.

Artificial neural networks are used to model systems that receive inputs and produce outputs. The relationships between the inputs and outputs and the representation parameters are critical issues in the design of related engineering systems, and sensitivity analysis concerns methods for analyzing these relationships. Perturbations of neural networks are caused by machine imprecision, and they can be simulated by embedding disturbances in the original inputs or connection weights, allowing us to study the characteristics of a function under small perturbations of its parameters.

This is the first book to present a systematic description of sensitivity analysis methods for artificial neural networks. It covers sensitivity analysis of multilayer perceptron neural networks and radial basis function neural networks, two widely used models in the machine learning field. The authors examine the applications of such analysis in tasks such as feature selection, sample reduction, and network optimization. The book will be useful for engineers applying neural network sensitivity analysis to solve practical problems, and for researchers interested in foundational problems in neural networks.