सोचने का तर्क। भाग 8. तरंग नेटवर्क में कारकों का अलगाव

पिछले भागों में, हमने एक तंत्रिका नेटवर्क के एक मॉडल का वर्णन किया, जिसे तरंग नेटवर्क कहा जाता था। हमारा मॉडल पारंपरिक लहर मॉडल से काफी अलग है। आमतौर पर, यह माना जाता है कि प्रत्येक न्यूरॉन के अपने दोलन होते हैं। शास्त्रीय मॉडलों में व्यवस्थित न्यूरॉन्स के लिए इस तरह के न्यूरॉन्स के संयुक्त कार्य से एक निश्चित सामान्य तुल्यकालन और वैश्विक लय की उपस्थिति होती है। हम कोर्टेक्स की तरंग गतिविधि में एक पूरी तरह से अलग अर्थ रखते हैं। हमने दिखाया कि न्यूरॉन्स न केवल अपने सिनेप्स की संवेदनशीलता में बदलाव के कारण, बल्कि सिनेप्स के बाहर स्थित झिल्ली रिसेप्टर्स में बदलाव के कारण भी जानकारी हासिल कर सकते हैं। नतीजतन, न्यूरॉन आसपास के न्यूरॉन्स की गतिविधि के विशिष्ट पैटर्न के एक बड़े सेट का जवाब देने की क्षमता प्राप्त करता है। हमने दिखाया है कि एक विशिष्ट पैटर्न बनाने वाले कई न्यूरॉन्स की ट्रिगरिंग कॉर्टेक्स के माध्यम से फैलने वाली एक लहर को ट्रिगर करती है। ऐसी लहर न केवल न्यूरॉन से न्यूरॉन में प्रेषित एक गड़बड़ी है, लेकिन एक संकेत जो इसे बनाता है जो न्यूरॉन गतिविधि के एक निश्चित पैटर्न को स्थानांतरित करता है, प्रत्येक पैटर्न के लिए अद्वितीय है जो इसे उत्सर्जित करता है। इसका मतलब यह है कि कॉर्टेक्स के किसी भी स्थान में, जिस पैटर्न के साथ लहर लाती है, उसके अनुसार यह निर्धारित करना संभव है कि कॉर्टेक्स पर कौन से पैटर्न गतिविधि में आए। हमने दिखाया है कि फाइबर के छोटे बंडलों के माध्यम से, तरंग संकेतों को प्रांतस्था के अन्य क्षेत्रों पर पेश किया जा सकता है। अब हम इस बारे में बात करेंगे कि हमारे तरंग नेटवर्क में न्यूरॉन्स का सिनैप्टिक प्रशिक्षण कैसे हो सकता है।

तरंग कारकों का अलगाव

कोर्टेक्स (नीचे चित्रा) का एक मनमाना न्यूरॉन लें। उसके पास एक ग्रहणशील क्षेत्र है जिसके भीतर उसके पास सिनैप्टिक कनेक्शन का घना नेटवर्क है। इन यौगिकों में मस्तिष्क के अन्य भागों से संकेतों को ले जाने वाले प्रांतस्था में प्रवेश करने वाले आसपास के न्यूरॉन्स और अक्षतंतु दोनों शामिल होते हैं। इसके लिए धन्यवाद, एक न्यूरॉन एक छोटे से आसपास के क्षेत्र की गतिविधि की निगरानी करने में सक्षम है। यदि स्थलाकृतिक प्रक्षेपण कॉर्टिकल ज़ोन पर गिरता है जिससे वह संबंधित है, तो न्यूरॉन उन अक्षतंतु से संकेत प्राप्त करता है जो उसके ग्रहणशील क्षेत्र में आते हैं। यदि कॉर्टेक्स पर विकसित गतिविधि के सक्रिय पैटर्न हैं, तो न्यूरॉन उनके पास से गुजरने पर उनमें से पहचान तरंगों के टुकड़े देखता है। इसी प्रकार तरंगों के साथ जो तरंग सुरंगों से उत्पन्न होती हैं जो तरंग पैटर्न को मस्तिष्क के एक क्षेत्र से दूसरे तक ले जाती हैं।


कारक को उजागर करने के लिए जानकारी के स्रोत। 1 - कॉर्टिकल न्यूरॉन, 2 - ग्रहणशील क्षेत्र, 3 - स्थलाकृतिक प्रक्षेपण, 4 - विकसित गतिविधि पैटर्न, 5 - वेव लाइन

अपने ग्रहणशील क्षेत्र में एक न्यूरॉन द्वारा दिखाई देने वाली गतिविधि में, इसके मूल की परवाह किए बिना, मुख्य सिद्धांत मनाया जाता है - प्रत्येक अद्वितीय घटना केवल इस घटना के लिए अपने स्वयं के अनूठे पैटर्न का कारण बनती है। घटना दोहराती है - न्यूरॉन को दिखाई देने वाली गतिविधि का पैटर्न दोहराया जाता है।

यदि जो हो रहा है उसमें कई घटनाएँ हैं, तो कई पैटर्न एक-दूसरे पर आरोपित हैं। जब आरोपित किया जाता है, तो गतिविधि के पैटर्न समय में मेल नहीं खा सकते हैं, अर्थात, लहर मोर्चों को याद कर सकती है। इसे ध्यान में रखने के लिए, हम एक लहर चक्र की अवधि के बराबर एक सांकेतिक समय अंतराल चुनते हैं। एक न्यूरॉन के प्रत्येक सिनैप्टिक इनपुट के लिए, हम समय की इस अवधि में गतिविधि जमा करते हैं। यही है, हम बस योग करते हैं कि इस या उस इनपुट पर कितने स्पाइक्स आए। नतीजतन, हम एक इनपुट वेक्टर प्राप्त करते हैं जो चक्र पर एकीकृत synaptic गतिविधि की तस्वीर का वर्णन करता है। इस तरह के एक इनपुट वेक्टर के बाद, हम पहले से वर्णित सभी शिक्षण विधियों में न्यूरॉन के लिए उपयोग कर सकते हैं। उदाहरण के लिए, हम एक न्यूरॉन को हेब्ब फिल्टर में बदल सकते हैं और इसे इनपुट डेटा स्ट्रीम में निहित मुख्य घटक का चयन कर सकते हैं। इसके सार में, यह उन इनपुटों की पहचान होगी, जिन पर अक्सर आने वाले सिग्नल एक साथ दिखाई देते थे। जैसा कि पहचान तरंगों पर लागू होता है, इसका मतलब है कि न्यूरॉन यह निर्धारित करेगा कि किन तरंगों में समय-समय पर एक साथ दिखाई देने के लिए एक पैटर्न है, और इस संयोजन को पहचानने के लिए अपना वजन निर्धारित करेगा। यही है, इस तरह के एक कारक को उजागर करने से, न्यूरॉन विकसित गतिविधि को प्रदर्शित करना शुरू कर देगा जब वह पहचानकर्ताओं के परिचित संयोजन को पहचानता है।

इस प्रकार, एक न्यूरॉन एक न्यूरॉन डिटेक्टर के गुणों को अधिग्रहित कर लेगा, जो इसकी विशेषताओं द्वारा पता चला है। उसी समय, न्यूरॉन न केवल एक उपस्थिति सेंसर के रूप में कार्य करेगा (एक घटना है - कोई घटना नहीं है), यह कारक की गंभीरता के बारे में अपनी गतिविधि के स्तर को इंगित करेगा जिसके लिए इसे प्रशिक्षित किया गया था। दिलचस्प है, अन्तर्ग्रथनी संकेतों की प्रकृति मौलिक नहीं है। समान सफलता के साथ, एक न्यूरॉन तरंग पैटर्न, स्थलाकृतिक प्रक्षेपण के पैटर्न या उनकी संयुक्त गतिविधि के प्रसंस्करण में ट्यून कर सकता है।

यह ध्यान दिया जाना चाहिए कि हेब प्रशिक्षण, जो पहले मुख्य घटक को अलग करता है, को विशुद्ध रूप से यह दिखाने के लिए दिया जाता है कि किसी भी कॉर्टिकल न्यूरॉन के स्थानीय ग्रहणशील क्षेत्र में एक सार्वभौमिक डिटेक्टर के रूप में प्रशिक्षण के लिए सभी आवश्यक जानकारी होती है। कई विविध कारकों को अलग करने वाले न्यूरॉन्स के सामूहिक प्रशिक्षण के लिए वास्तविक एल्गोरिदम कुछ हद तक अधिक जटिल हैं।

स्थिरता - लचीलापन

हेब्ब शिक्षा बहुत स्पष्ट है। पुनरावृत्त सीखने के सार को चित्रित करने के लिए उपयोग करना सुविधाजनक है। यदि हम केवल कनेक्शन को सक्रिय करने के बारे में बात करते हैं, तो जैसे ही न्यूरॉन सीखता है, उसके वजन को एक विशिष्ट छवि पर बांधा जाता है। एक रैखिक योजक के लिए, गतिविधि इसके द्वारा निर्धारित की जाती है:



अन्‍तर्ग्रथनी संतुलन पर बाहर निकलने वाली छवि के साथ संकेत का संयोग न्यूरॉन की एक मजबूत प्रतिक्रिया का कारण बनता है, बेमेल कमजोर है। हेब्ब के अनुसार पढ़ाने के दौरान, हम उन सिनेप्स के वज़न को मजबूत करते हैं जिससे सिग्नल उन क्षणों में आता है जब न्यूरॉन स्वयं सक्रिय होता है, और उन वज़न को कमज़ोर कर देता है जिन पर उस समय कोई संकेत नहीं होता है।

वजन की अंतहीन वृद्धि से बचने के लिए, एक मानकीकरण प्रक्रिया शुरू की जाती है जो कुछ सीमा के भीतर अपनी राशि को बनाए रखती है। इस तरह के तर्क, उदाहरण के लिए, Oia नियम की ओर ले जाते हैं:



मानक हेब प्रशिक्षण में सबसे अप्रिय बात यह है कि एक सीखने की दर गुणांक पेश करने की आवश्यकता है, जिसे कम किया जाना चाहिए क्योंकि न्यूरॉन सीखता है। तथ्य यह है कि अगर ऐसा नहीं किया जाता है, तो न्यूरॉन, किसी प्रकार की छवि को सीख रहा है, फिर, यदि आपूर्ति किए गए संकेतों की प्रकृति में बदलाव होता है, तो बदले हुए डेटा स्ट्रीम के एक नए कारक विशेषता को अलग करने के लिए इसे फिर से किया जाएगा। सीखने की गति में कमी, सबसे पहले, निश्चित रूप से, सीखने की प्रक्रिया को धीमा कर देती है, और दूसरी बात, इसे इस कमी को नियंत्रित करने के स्पष्ट तरीकों की आवश्यकता नहीं है। सीखने की गति को गलत तरीके से संभालने से पूरे नेटवर्क की "कठोरता" और नए डेटा के लिए प्रतिरक्षा हो सकती है।

यह सब स्थिरता-प्लास्टिसिटी दुविधा के रूप में जाना जाता है। एक नए अनुभव का जवाब देने की इच्छा पहले से प्रशिक्षित न्यूरॉन्स के वजन को बदलने की धमकी देती है, जबकि स्थिरीकरण इस तथ्य की ओर जाता है कि नया अनुभव नेटवर्क को प्रभावित करने के लिए बंद हो जाता है और बस नजरअंदाज कर दिया जाता है। आपको या तो स्थिरता या लचीलापन चुनना होगा। यह समझने के लिए कि इस समस्या को हल करने में कौन से तंत्र मदद कर सकते हैं, आइए हम जैविक न्यूरॉन्स पर लौटें। आइए हम और अधिक विस्तार से सिनैप्टिक प्लास्टिसिटी के तंत्र की जांच करते हैं, जो कि वास्तविक न्यूरॉन्स के अन्तर्ग्रथनी प्रशिक्षण के साथ होता है।

सिनैप्टिक प्लास्टिसिटी की घटना का सार यह है कि सिनैप्टिक ट्रांसमिशन की दक्षता स्थिर नहीं है और वर्तमान गतिविधि के पैटर्न के आधार पर भिन्न हो सकती है। इसके अलावा, इन परिवर्तनों की अवधि बहुत भिन्न हो सकती है और विभिन्न तंत्रों के कारण हो सकती है। प्लास्टिसिटी के कई रूप हैं (नीचे आंकड़ा)।


सिनैप्टिक संवेदनशीलता की गतिशीलता। (ए) - सुविधा, (बी) - प्रवर्धन और अवसाद, (सी) - पोस्ट-टेटनिक पोटेंसी (डी) - दीर्घकालिक क्षमता और दीर्घकालिक अवसाद (निकोल्स जे।, मार्टिन आर।, वालस बी।, फुच्स पी।, 2003)

स्पाइक्स की एक छोटी वॉली, इसी प्रीसिनेप्टिक टर्मिनल से मध्यस्थ की रिहाई की राहत (सुविधा) पैदा कर सकती है। उत्तेजना तुरंत दिखाई देती है, एक वॉली के दौरान बनी रहती है और उत्तेजना के अंत के बाद लगभग 100 मिलीसेकंड के लिए ध्यान देने योग्य है। उसी छोटे से संपर्क से मध्यस्थ की रिहाई का दमन (अवसाद) हो सकता है, जो कई सेकंड तक चलता है। अवसाद की अवधि के समान अवधि के साथ सुविधा दूसरे चरण (प्रवर्धन) में जा सकती है।

दालों की एक निरंतर उच्च आवृत्ति श्रृंखला को आमतौर पर टेटनस कहा जाता है। नाम इस तथ्य के कारण है कि एक समान श्रृंखला टेटनिक मांसपेशियों के संकुचन से पहले होती है। सिनैप्स पर टेटनस के सेवन से मध्यस्थ स्राव के बाद के टेटैनिक पोटेंसी का कारण बन सकता है, जो कुछ ही मिनटों में मनाया जाता है।

बार-बार की गई गतिविधि से सिनेप्स में दीर्घकालिक परिवर्तन हो सकते हैं। इन परिवर्तनों का एक कारण पोस्टसिनेप्टिक सेल में कैल्शियम की एकाग्रता में वृद्धि है। एकाग्रता में एक मजबूत वृद्धि माध्यमिक दूतों के कैस्केड को ट्रिगर करती है, जिससे पोस्टसिनेप्टिक झिल्ली में अतिरिक्त रिसेप्टर्स का गठन होता है और रिसेप्टर संवेदनशीलता में सामान्य वृद्धि होती है। एकाग्रता में कमजोर वृद्धि विपरीत प्रभाव देती है - रिसेप्टर्स की संख्या घट जाती है, उनकी संवेदनशीलता कम हो जाती है। पहली स्थिति को दीर्घकालिक पोटेंसी कहा जाता है, दूसरा - दीर्घकालिक अवसाद। इस तरह के परिवर्तनों की अवधि कई घंटों से कई दिनों तक होती है (निकोल्स जे।, मार्टिन आर।, वालस बी।, फुच पी।, 2003)।

बाह्य आवेगों की प्रतिक्रिया में किसी व्यक्ति के अन्तर्ग्रथन की संवेदनशीलता कैसे बदल जाती है, क्या प्रवर्धन होगा या अवसाद होगा यह कई प्रक्रियाओं द्वारा निर्धारित होता है। यह माना जा सकता है कि यह मुख्य रूप से इस बात पर निर्भर करता है कि न्यूरॉन की उत्तेजना की सामान्य तस्वीर कैसे विकसित होती है और यह किस चरण में है।

अन्तर्ग्रथनी संवेदनशीलता का वर्णित व्यवहार आगे बताता है कि न्यूरॉन निम्नलिखित ऑपरेशनों में सक्षम है:

• एक विशिष्ट छवि में जल्दी से धुन - सुविधा;
• 100 मिलीसेकंड के आदेश के अंतराल के बाद इस सेटिंग को रीसेट करें या इसे लंबे समय तक पकड़ में रखें - प्रवर्धन और अवसाद;
• प्रवर्धन और अवसाद की स्थिति को रीसेट करें या उन्हें दीर्घकालिक शक्ति या लंबे समय तक अवसाद में अनुवाद करें।

सीखने के इस चरण को "अनुकूली प्रतिध्वनि के सिद्धांत" के रूप में जाना जाता है। स्थिरता-प्लास्टिसिटी दुविधा को हल करने के तरीके के रूप में यह सिद्धांत स्टीफन ग्रॉसबर्ग (ग्रॉसबर्ग, 1987) द्वारा प्रस्तावित किया गया था। इस सिद्धांत का सार यह है कि आने वाली जानकारी कक्षाओं में विभाजित है। प्रत्येक वर्ग का अपना प्रोटोटाइप होता है - वह छवि जो इस वर्ग से सबसे अधिक मेल खाती है। नई जानकारी के लिए, यह निर्धारित किया जाता है कि क्या यह मौजूदा कक्षाओं में से एक से संबंधित है, या क्या यह पिछले कुछ के विपरीत अद्वितीय है। यदि जानकारी अद्वितीय नहीं है, तो इसका उपयोग कक्षा के प्रोटोटाइप को स्पष्ट करने के लिए किया जाता है। यदि यह मौलिक रूप से कुछ नया है, तो एक नया वर्ग बनाया जाता है, जिसका प्रोटोटाइप यह छवि है। यह दृष्टिकोण एक तरफ, नए डिटेक्टर बनाने के लिए, और दूसरी ओर, पहले से ही बनाए गए लोगों को नष्ट करने की अनुमति नहीं देता है।



अनुकूली प्रतिध्वनि नेटवर्क एआरटी

इस सिद्धांत का व्यावहारिक कार्यान्वयन एआरटी नेटवर्क है। सबसे पहले, एआरटी नेटवर्क को कुछ भी नहीं पता है। उसे प्रस्तुत पहली छवि एक नया वर्ग बनाती है। छवि को एक वर्ग प्रोटोटाइप के रूप में कॉपी किया जाता है। निम्नलिखित छवियों की मौजूदा कक्षाओं के साथ तुलना की जाती है। यदि छवि पहले से निर्मित वर्ग के करीब है, अर्थात, यह प्रतिध्वनि का कारण बनता है, तो कक्षा छवि का सुधारात्मक प्रशिक्षण होता है। यदि छवि विशिष्ट है और किसी भी प्रोटोटाइप से मेल नहीं खाती है, तो एक नया वर्ग बनाया जाता है, और नई छवि इसका प्रोटोटाइप बन जाती है।
यदि हम मानते हैं कि कॉर्टेक्स में डिटेक्टर न्यूरॉन्स का निर्माण एक समान तरीके से होता है, तो सिंटैप्टिक प्लास्टिसिटी के चरणों को निम्नलिखित व्याख्या दी जा सकती है:

• एक न्यूरॉन जिसे अभी तक एक डिटेक्टर के रूप में विशेषज्ञता प्राप्त नहीं हुई है, लेकिन तरंग सक्रियण के कारण गतिविधि में आ गया है, जल्दी से अपने सिनेप्स के वजन को बदलता है, अपने ग्रहणशील क्षेत्र की गतिविधि की तस्वीर को समायोजित करता है। ये परिवर्तन सुविधा की प्रकृति में हैं और तरंग गतिविधि के एक चक्र के क्रम पर जारी हैं;
  
• अगर यह पता चला है कि तत्काल वातावरण में पहले से ही पर्याप्त न्यूरॉन डिटेक्टरों को इस तरह की उत्तेजना के लिए ट्यून किया जाता है, तो न्यूरॉन अपनी मूल स्थिति में रीसेट हो जाता है, अन्यथा इसके सिनाप्सेस एक लंबी छवि प्रतिधारण के चरण में जाते हैं;
  
• यदि प्रवर्धन चरण के दौरान कुछ शर्तें पूरी होती हैं, तो न्यूरॉन सिनापैप्स छवि के दीर्घकालिक भंडारण के चरण में गुजरते हैं। एक न्यूरॉन संगत उत्तेजना का एक डिटेक्टर बन जाता है।
  

और अब कृत्रिम तंत्रिका नेटवर्क के लिए प्रासंगिक प्रशिक्षण प्रक्रियाओं के बारे में थोड़ा व्यवस्थित करने की कोशिश करते हैं। आइए सीखने के उद्देश्यों से शुरू करें। हम मान लेंगे कि प्रशिक्षण के परिणामस्वरूप हम दो बुनियादी आवश्यकताओं को पूरा करने वाले न्यूरॉन्स-डिटेक्टरों को प्राप्त करना चाहेंगे:

• ताकि उनकी मदद से ऐसा होने वाली हर चीज का पूरी तरह से और पर्याप्त रूप से वर्णन करना संभव हो सके;
• वर्तमान घटनाओं में निहित बुनियादी कानूनों को बाहर करने के लिए इस तरह के विवरण के लिए।

पहले अनुमति देता है, याद करके, विवरणों को याद किए बिना जानकारी संचित करना, जो बाद में महत्वपूर्ण पैटर्न हो सकता है। दूसरा वर्णन में उन कारकों की दृश्यता प्रदान करता है जिन पर निर्णय लेना निर्भर हो सकता है।

इष्टतम डेटा संपीड़न पर आधारित दृष्टिकोण अच्छी तरह से जाना जाता है। इसलिए, उदाहरण के लिए, कारक विश्लेषण का उपयोग करके, हम मुख्य घटकों को प्राप्त कर सकते हैं, जो परिवर्तनशीलता के थोक के लिए जिम्मेदार हैं। पहले कुछ घटकों के मूल्यों को छोड़कर और बाकी को त्यागकर, हम विवरण की लंबाई को काफी कम कर सकते हैं। इसके अलावा, कारकों के मूल्य हमें उन घटनाओं की वर्णित घटना में गंभीरता के बारे में बताएंगे जिनसे ये कारक मेल खाते हैं। लेकिन इस संपीड़न में एक नकारात्मक पहलू भी है। वास्तविक घटनाओं के लिए, कुल में पहले प्रमुख कारक आमतौर पर कुल विचरण का केवल एक छोटा प्रतिशत बताते हैं। उनके प्रत्येक महत्वहीन कारक, हालांकि कई बार पहले कारकों में परिमाण से हीन होते हैं, लेकिन यह इन महत्वहीन कारकों का योग है जो मूल जानकारी के लिए जिम्मेदार है।

उदाहरण के लिए, यदि आप कई हज़ार फ़िल्में लेते हैं और सैकड़ों उपयोगकर्ताओं द्वारा उनकी रेटिंग को कम कर देते हैं, तो ऐसे डेटा के साथ आप एक कारक विश्लेषण कर सकते हैं। पहले चार से पांच कारक सबसे महत्वपूर्ण होंगे। वे सिनेमा के मुख्य शैली क्षेत्रों के अनुरूप होंगे: एक्शन, कॉमेडी, मेलोड्रामा, जासूसी, विज्ञान कथा। रूसी उपयोगकर्ताओं के लिए, एक मजबूत कारक भी होगा जो हमारे पुराने सोवियत सिनेमा का वर्णन करता है। हाइलाइट किए गए कारकों की एक सरल व्याख्या है। यदि आप इन कारकों के स्थान पर एक फिल्म का वर्णन करते हैं, तो इस विवरण में गुणांक शामिल होंगे जिसमें कहा जाएगा कि इस फिल्म में यह या उस कारक को कितना व्यक्त किया गया है। प्रत्येक उपयोगकर्ता की कुछ शैली प्राथमिकताएँ होती हैं जो उसकी रेटिंग को प्रभावित करती हैं। कारक विश्लेषण आपको इस प्रभाव की मुख्य दिशाओं को अलग करने और उन्हें कारकों में बदलने की अनुमति देता है। लेकिन यह पता चला है कि पहला महत्वपूर्ण कारक अनुमानों के विचरण का लगभग 25% है। शेष सभी हजारों अन्य छोटे कारकों के कारण है। यही है, अगर हम फिल्म के विवरण को मुख्य कारकों में उसके चित्र पर संपीड़ित करने का प्रयास करते हैं, तो हम सूचना के थोक को खो देंगे।

इसके अलावा, कोई भी कम व्याख्यात्मक शक्ति वाले कारकों के महत्व के बारे में बात नहीं कर सकता है। इसलिए, यदि आप एक निर्देशक की कई फिल्में लेते हैं, तो उनके अनुमान एक-दूसरे के साथ निकटता से जुड़े होने की संभावना है। प्रासंगिक कारक इन फिल्मों की रेटिंग में विचरण के एक महत्वपूर्ण प्रतिशत की व्याख्या करेगा, लेकिन केवल ये। इसका मतलब यह है कि चूंकि यह कारक अन्य फिल्मों में दिखाई नहीं देता है, इसलिए डेटा की पूरी मात्रा में इसका व्याख्यात्मक प्रतिशत नगण्य होगा। लेकिन यह इन फिल्मों के लिए है कि यह पहले मुख्य घटकों की तुलना में बहुत अधिक महत्वपूर्ण होगी। और इसलिए लगभग सभी छोटे कारकों के लिए।

कारक विश्लेषण के लिए दिए गए तर्क को कोडिंग जानकारी के अन्य तरीकों में स्थानांतरित किया जा सकता है। डेविड फील्ड, 1994 के एक लेख में, "सेंसरिंग कोडिंग का उद्देश्य क्या है?" (फ़ील्ड, 1994) मस्तिष्क में निहित तंत्र के बारे में इसी तरह के सवालों को संबोधित करता है। उन्होंने निष्कर्ष निकाला कि मस्तिष्क डेटा को संपीड़ित नहीं करता है और डेटा के एक कॉम्पैक्ट रूप के लिए प्रयास नहीं करता है। उनके डिस्चार्ज किए गए प्रतिनिधित्व के साथ मस्तिष्क अधिक आरामदायक होता है, जब इसका वर्णन करने के लिए कई अलग-अलग विशेषताएं होती हैं, तो यह एक साथ उनमें से केवल एक छोटा सा हिस्सा (नीचे चित्रा) का उपयोग करता है।


कॉम्पैक्ट कोडिंग (ए) और किफायती वितरित कोडिंग (बी) (फील्ड, 1994)

कारक विश्लेषण और विवरण के कई अन्य तरीकों को कुछ कानूनों की खोज और वर्गों के संबंधित कारकों या संकेतों की पहचान के द्वारा निरस्त किया जाता है। लेकिन अक्सर डेटा सेट होते हैं जहां यह दृष्टिकोण व्यावहारिक रूप से लागू नहीं होता है। उदाहरण के लिए, यदि हम क्लॉकवाइज़ पोजीशन लेते हैं, तो यह पता चलता है कि उसकी कोई पसंदीदा दिशाएँ नहीं हैं। यह डायल पर समान रूप से चलता है, घंटे के हिसाब से गिनती करता है। तीर की स्थिति को व्यक्त करने के लिए, हमें किसी भी कारक को उजागर करने की आवश्यकता नहीं है, और वे बाहर खड़े नहीं होंगे, लेकिन बस डायल को संबंधित क्षेत्रों में विभाजित करें और इस विभाजन का उपयोग करें। मस्तिष्क का एक बड़ा हिस्सा डेटा से संबंधित है जो घटनाओं के वितरण घनत्व को ध्यान में रखते हुए विभाजन नहीं करता है, लेकिन बस कुछ प्रकार के अंतराल विवरण की शुरूआत की आवश्यकता होती है।दरअसल, अनुकूली प्रतिध्वनि का सिद्धांत भी इस तरह के अंतराल विवरण बनाने के लिए एक तंत्र प्रदान करता है जो तब भी काम कर सकता है जब डेटा स्थान एक समान रूप से वितरित माध्यम है।

मुख्य घटकों के अलगाव या अनुकूली अनुनाद प्रोटोटाइप का निर्धारण उन सभी तरीकों से दूर है जो तंत्रिका तंत्र को न्यूरॉन डिटेक्टरों को वर्णन प्रणालियों के निर्माण के लिए सुविधाजनक बनाने की अनुमति देते हैं। दरअसल, कोई भी विधि जो या तो समूहों में एक स्वस्थ विभाजन प्राप्त करने की अनुमति देती है, या कुछ नियमितता को उजागर करने के लिए, एक तंत्रिका नेटवर्क द्वारा उपयोग किया जा सकता है जो मस्तिष्क प्रांतस्था को पुन: पेश करता है। ऐसा लगता है कि असली पपड़ी कई अलग-अलग तरीकों का फायदा उठाती है, न कि उन तक सीमित होती है जिन्हें हमने एक उदाहरण के रूप में उद्धृत किया है।

जबकि हम व्यक्तिगत न्यूरॉन्स को प्रशिक्षित करने के बारे में बात कर रहे थे। लेकिन हमारे नेटवर्क में मुख्य सूचना तत्व न्यूरॉन्स का पैटर्न है, केवल यह अपनी लहर शुरू करने में सक्षम है। एक क्षेत्र में एक भी न्यूरॉन एक योद्धा नहीं है। अगले भाग में, हम यह बताएंगे कि कुछ विशेष घटनाओं के अनुरूप तंत्रिका पैटर्न कैसे उत्पन्न हो सकते हैं और काम कर सकते हैं।

साहित्य का इस्तेमाल किया

विस्तार

पिछले भाग:
भाग 1. न्यूरॉन
भाग 2. कारक
भाग 3. अवधारणात्मक, दृढ़ नेटवर्क
भाग 4. पृष्ठभूमि गतिविधि
भाग 5. मस्तिष्क की तरंगें
भाग 6. प्रोजेक्शन सिस्टम
भाग 7. मानव कंप्यूटर इंटरफ़ेस