Neuralnetværk

Et neuralt netværk (neuralnetværk) er en beregningsmodel inspireret af hjernens netværk af neuroner. Det består af noder (neuroner) forbundet via vægte. Data passerer gennem inputlag, et eller flere skjulte lag og et outputlag. Netværket tilpasses gennem træning ved at justere vægtene for at minimere fejl mellem forudsigelser og virkelighed.

Arkitektur og typer. Grundlæggende netværk er ofte feedforward, hvor information flyder én vej. Aktiveringsfunktioner som ReLU, sigmoid og tanh bruges til at introducere nonlineæritet. Særlige arkitekturer inkluderer konvolutionelle netværk (CNN) til billeddata, rekurrente netværk (RNN, herunder LSTM og GRU) til sekventiel data, og transformerbaserede netværk som ofte anvendes inden for naturlig sprogbehandling.

Træning og data. Overvåget læring er dominerende, hvor netværket lærer af mærkede eksempler ved hjælp af gradientnedstigning og backpropagation. Tabfunktioner som krydsentropi og middelkvadratisk fejl anvendes. Effektiv træning kræver store datasæt og beregningskraft; regulariseringsteknikker som dropout, L1/L2 og tidlig stop hjælper med at forhindre overfitting.

Anvendelser og begrænsninger. Neuralnetværk anvendes i billed- og stemmegenkendelse, sprogbehandling, medicinsk diagnose, spil og finansiel modellering samt robotik. Begrænsninger omfatter behov for store mængder data, beregningskrav og manglende gennemsigtighed i beslutninger, hvilket kan føre til vanskeligheder med forklaring og mønsterbias.

Fremtidige retninger. Forskning fokuserer på at gøre modeller mere effektive, sikre og forklarlige, herunder modellkomprimering, sparsitet og teknikker til at øge robusthed og generalisering. Se også: dyb læring.