Рекурсивные нейронные сети

Рекурсивные нейронные сети (англ. Recursive neural network; RvNN) — вид нейронных сетей, работающих с данными переменной длины. Модели рекурсивных сетей используют иерархические структуры образцов при обучении. Например, изображения, составленные из сцен, объединяющих подсцены, включающие много объектов. Выявление структуры сцены и её деконструкция- нетривиальная задача. При этом необходимо как идентифицировать отдельные объекты, так и всю структуру сцены.

Не следует путать с Рекуррентная нейронная сеть.

В рекурсивных сетях нейроны с одинаковыми весами активируются рекурсивно в соответствии со структурой сети. В процессе работы рекурсивной сети вырабатывается модель для предсказания для структур переменной размерности, так и скалярных структур через активацию структуры в соответствии с топологией. Сети RvNNs успешно применяются при обучении последовательных структур и деревьев в задачах обработки естественного языка, при этом фразы и предложения моделируются через векторное представление слов. RvNNs первоначально появились для распределённого представления структур, используя предикаты математической логики.[1] Разработки рекурсивных сетей и первые модели начались в середине 1990-х.[2][3]

Архитектура

Базовый элемент
Архитектура простой рекурсивной сети

В самой простой архитектуре узлы сети сходятся к родителям через матрицу весов скрытого слоя, используемую многократно через всю сеть, и нелинейную функцию активации типа гиперболического тангенса. Если c1 и c2 — n-мерные презентации узлов сети, то их родители также представляют собой n-мерные вектора, вычисляемые как

Здесь W — обученная матрица весов .

Эта архитектура с некоторым усовершенствованием используется для последовательной дешифровки натуральных сцен изображения или для структурирования предложений естественного языка.[4]

Рекурсивная каскадная корреляция (RecCC)

Рекурсивная каскадная корреляция RecCC - это подход к конструированию рекурсивных сетей, оперирующих с тремя доменами[2] , первые приложения такого рода появились в химии[5], а расширение образует направленный ациклический граф.[6]

Рекурсивные сети без учителя

В 2004 году была предложена система обучения рекурсивной сети без учителя.[7][8]

Тензорные сети

Тензорные рекурсивные сети используют одну тензорную функцию для всех узлов дерева.[9]

Обучение

Стохастический метод градиентного спуска

Для обучения используется обычно Стохастический метод градиентного спуска (SGD). Градиент определяется через сквозную структуру обратного распространения ошибок (BPTS), этот метод является модификацией обратного распространения ошибок во временных рядах, применяемого для обучения рекуррентных нейронных сетей.

Особенности

В литературе подтверждается способность универсальной аппроксимации рекуррентными сетями по сетям типа дерева.[10][11]

Родственные модели

Рекуррентная нейронная сеть
Основная статья: Рекуррентная нейронная сеть

Рекуррентная нейронная сеть представляет собой рекурсивную сеть со специфической структурой - в виде линейной цепочки. Рекурсивные сети работают на структурах общего типа, включающих иерархию, рекуррентные сети работают исключительно на линейной прогрессии во времени, связывая предыдущий момент времени со следующим через скрытый нейронный слой .

Древовидная эхо-сеть (Tree Echo State Network)

Древовидная эхо-сеть - эффективный пример рекурсивных нейронных сетей,[12] использующих парадигму резервуарного вычисления (Reservoir computing).

Расширения до графов

Расширение структуры до графов образует графическую нейронную сеть (GNN),[13], нейронную сеть для графов (NN4G),[14] и более новые свёрточные нейронные сети для графов.

Ссылки
  1. Goller, C.; Küchler, A. Learning task-dependent distributed representations by backpropagation through structure (англ.) // Neural Networks, 1996., IEEE : journal. — doi:10.1109/ICNN.1996.548916.
  2. Sperduti, A.; Starita, A. Supervised neural networks for the classification of structures (англ.) // IEEE Transactions on Neural Networks : journal. — 1997. — 1 May (vol. 8, no. 3). — P. 714—735. — ISSN 1045-9227. — doi:10.1109/72.572108.
  3. Frasconi, P.; Gori, M.; Sperduti, A. A general framework for adaptive processing of data structures (англ.) // IEEE Transactions on Neural Networks : journal. — 1998. — 1 September (vol. 9, no. 5). — P. 768—786. — ISSN 1045-9227. — doi:10.1109/72.712151.
  4. Socher, Richard; Lin, Cliff; Ng, Andrew Y.; Manning, Christopher D. Parsing Natural Scenes and Natural Language with Recursive Neural Networks (англ.) // The 28th International Conference on Machine Learning (ICML 2011) : journal.
  5. Bianucci, Anna Maria; Micheli, Alessio; Sperduti, Alessandro; Starita, Antonina. Application of Cascade Correlation Networks for Structures to Chemistry (англ.) // Applied Intelligence : journal. — 2000. — Vol. 12, no. 1—2. — P. 117—147. — ISSN 0924-669X. — doi:10.1023/A:1008368105614.
  6. Micheli, A.; Sona, D.; Sperduti, A. Contextual processing of structured data by recursive cascade correlation (англ.) // IEEE Transactions on Neural Networks : journal. — 2004. — 1 November (vol. 15, no. 6). — P. 1396—1410. — ISSN 1045-9227. — doi:10.1109/TNN.2004.837783.
  7. Hammer, Barbara; Micheli, Alessio; Sperduti, Alessandro; Strickert, Marc. Recursive self-organizing network models (неопр.) // Neural Networks. — 2004. — Т. 17. — С. 1061—1085.
  8. Hammer, Barbara; Micheli, Alessio; Sperduti, Alessandro; Strickert, Marc. A general framework for unsupervised processing of structured data (англ.) // Neurocomputing : journal. — 2004. — 1 March (vol. 57). — P. 3—35. — doi:10.1016/j.neucom.2004.01.008.
  9. Socher, Richard; Perelygin, Alex; Y. Wu, Jean; Chuang, Jason; D. Manning, Christopher; Y. Ng, Andrew; Potts, Christopher. Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank (англ.) // EMNLP 2013 : journal.
  10. Hammer, Barbara. Learning with Recurrent Neural Networks (англ.). — Springer, 2007. — ISBN 9781846285677.
  11. Hammer, Barbara; Micheli, Alessio; Sperduti, Alessandro. Universal Approximation Capability of Cascade Correlation for Structures (англ.) // Neural Computation : journal. — 2005. — 1 May (vol. 17, no. 5). — P. 1109—1159. — doi:10.1162/0899766053491878.
  12. Gallicchio, Claudio; Micheli, Alessio. Tree Echo State Networks (неопр.) // Neurocomputing. — 2013. — 4 February (т. 101). — С. 319—337. — doi:10.1016/j.neucom.2012.08.017.
  13. Scarselli, F.; Gori, M.; Tsoi, A. C.; Hagenbuchner, M.; Monfardini, G. The Graph Neural Network Model (англ.) // IEEE Transactions on Neural Networks : journal. — 2009. — 1 January (vol. 20, no. 1). — P. 61—80. — ISSN 1045-9227. — doi:10.1109/TNN.2008.2005605.
  14. Micheli, A. Neural Network for Graphs: A Contextual Constructive Approach (англ.) // IEEE Transactions on Neural Networks : journal. — 2009. — 1 March (vol. 20, no. 3). — P. 498—511. — ISSN 1045-9227. — doi:10.1109/TNN.2008.2010350.
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.