neuraverkkojen

Neuraverkko on laskennallinen malli, joka jäljittelee biologisen aivoverkoston päätöksentekoa. Verkko koostuu useista kerroksista, joissa on solmuja (neuronit), ja signaalit välittyvät painotettujen yhteyksien kautta. Syöte kulkee kerroksesta toiseen, ja jokainen kerros muokkaa signaalia aktivointifunktion avulla. Oppiminen tapahtuu suurien esimerkkijoukkojen avulla, jolloin painoja säädetään niin, että verkko minimoi tehtäväkohtaisen virheen. Yleinen oppimismenetelmä on takapropagointi (backpropagation) yhdessä gradienttilaskennan kanssa, jota toteutetaan usein stokastisella gradienttiavusteisella laskulla. Painot ja kynnysarvot päivitetään iteratiivisesti, kunnes virhe on saavutettavalla tasolla.

Neuraverkoissa voidaan erottaa useita arkkitehtuurityyppejä. Feediin verkot etenevät eteenpäin ilman kiertoa; rekurrentit verkot muistavat aiempia syötteen osia ja soveltuvat sekvenssisignaaleihin; konvoluutioneet (CNN) soveltuvat erityisesti kuviin ja muihin ruudullisiin datoihin. Viime aikoina suuria kehitysaskelia on tuonut Transformer-arkkitehtuuri, joka on tehostanut kielen ja muiden sisältöjen käsittelyä suuremmissa mittakaavoissa.

Käytössä neuraverkoissa voidaan hyödyntää valvottua, osin valvomattomatonta sekä vahvistavaa oppimista. Käyttökohteet vaihtelevat kuvantunnistuksesta ja puheentunnistuksesta luonnolliseen kieleen, lääketieteelliseen kuvien analyysiin sekä ennustukseen ja ohjaukseen robotiikassa.

Rajoitteisiin kuuluvat suuria datavaatimukset ja laskentateho sekä tulkittavuuden puute. Tutkimus tähtää entistä tehokkaampiin, luotettavampiin ja eettisesti vastuullisiin neuraverkkoihin.