Sayfa 20

Geçen sayımızda geri beslemeyle öğrenen sistemleri açıklamıştık. Bu sistemler ortaklaşa çalışan sistemler grubuna dahildirler ama ne nöropsikolojiye ne de basit psikolojiye dayanırlar. Competitive Learning (CL - rekabet ederek öğrenen) sistemler ise beynimizdeki sinirsel yapılara en çok benzeyen sistemlerdir. CL, kendi kendini düzenleyen sistemler grubuna girer. Bu modeller girişte yapılan dış etkilere göre kendi içinde organize olur ve bu girişleri kendi içlerinde temsil ederler. Sistem, girişin özelliklerini fark ettiği için yapılan girişimleri, ayrı özellikler taşıyan bölümlere ayırabilir. Bu yönüyle CL sistemleri zarar görmüş veya deformasyona uğramış bir dizi girişi işlemede oldukça başarılıdırlar. Geri besleme sistemi gibi CL sistemi de PE'lere (işlem elemanları) ve katmanlar arasında bağlantılara sahiptir ama tüm benzerlikler burada biter. CL'nin her katmanında, her PE ancak bir gruba ait olacak şekilde, gruplar oluşmuştur. Bu gruplardaki her PE girişlerini bir önceki katmandan alırlar ve sonra “Kim daha önce çıkış sağlayabilecek?” diye yarışırlar. Her gruptan ancak bir PE çıkış verebilir. CL'de, sistem öğrenmek için kendi kendisini düzenlediğinden öğretici bir vektör yoktur. Bu bizim beynimizdeki hücrelere çok benzer, çünkü beynimizdeki hücrelerin de büyük çoğunluğu dışarıdan direkt olarak bilgi alamaz. Biz her türlü çevre koşuluna uyabiliriz ve CL sistemi de bize her tür çevre koşuluna uyan bir sistem yapma yolunda liderlik etmektedir. Daha önce incelediğimiz diğer sistemlerden farklı olarak bu sistemde her katman arasındaki bağlantıların yanısıra bir katmanın kendi içerisinde de bağlantılar vardır. Bu katmaniçi bağlantılar sadece aynı gruptaki PE'ler arasındadır ve sınırlayıcıdırlar. Yani eğer bir gruptaki PE'lerden biri önceki katmandan güçlü bir sinyal alırsa komşularının bu sinyali almasına engel olur ve böylece 'kazanmış' olur. Kazanan belirlendikten sonra sinyal bir üst katmana iletilir. Katmanlar arasındaki tüm bağlantılar heyecanlandırıcıdır, yani bir üst katmanda başka bir rekabet ortamı oluşturacaktır. Öğrenme algoritması çok basittir. Alt katmandaki tüm hücrelerden bir üst katmandaki tek bir hücreye giden tüm bağlantıların (ki bu bağlantı matrisindeki bir sırayı oluşturur) tüm ağırlıklarının toplamı bir etmelidir. Bu, ağırlıkların düzgün olarak dağılmasını sağlar, böylece tek başına bir PE çok güçlü olamayacaktır. Bir gruptaki PE'lerden biri kazandığı zaman öğrenmesi gerekir, ve ağırlıklar da bir matematiksel öğrenme kuralına göre değiştirilirler. Tüm bağlantıların ağırlıklarının toplamının 1 etmesi gerektiği için kazanan PE'nin bir önceki katmandaki aktif PE'lerle olan bağlantıları kuvvetlenir ve pasif PE'lerle olan bağlantıları da zayıflar. Böylece aynı giriş modeli tekrar gelirse bu modeli öğrenmiş olan PE'nin bunu tanıma şansı da artar. Rekabet eden sistemler beyin yapısına en çok benzeyen sistemler olsa bile bunların da sınırları vardır. Birincisi, bu gruplar ayrı modelleri öğrenmelidirler ama bunu önlemeleri için herhangi bir zorlama yapılamaz. Eğer iki grubun ağırlıkları eşitse ikisi de aynı modeli öğrenecektir. Bu sorunu çözmenin bir yolu gruplar arasında sınırlayıcı bağlar oluşturmaktır. Çizgisel ortaklık ve geri besleme sinirsel ağ sistemleri iki modeli eşlemeyi öğreniyorlardı. Bu çok önemli bir öğrenme biçimidir. Rekabet eden sistemler eşlemeyi öğrenemezler; ama eğer geri besleme gibi bir başka sistemle birleştirilecek olurlarsa, elimize modelleri sınıflandırabilecek ve modeller gibi bu model sınıflarını da ortaklaşa kullanabilecek çok güçlü bir sistem geçer. Rekabet eden sistemlerin büyüklüğü birkaç grupla sınırlı olduğu için girişleri ancak belirli sayıda sınıfta toplayabilirler. Bu problem, açılan sınıf sayısı PE gruplarının sayısını geçene kadar ortaya çıkmaz. Bu durumda CL, modelleri ait olmadıkları sınıflara yerleştirir. Sorun, katmanlara daha fazla grup ve gruplara daha fazla PE ekleyerek çözülebilir. Oluşabilecek en büyük problem denge sağlanmasıdır. Bir süre sonra CL'nin her değeri son bir değere erişir ve sabit kalır. Bundan sonra yapılan işlemler bağlantı değerlerini değiştirmez. Ama ideal bir sistemde uzun bir süre geçse bile yeni öğrenilen modellerin ağırlıkları etkilemesi gerekir. Bu sorun başka bir sinirsel ağ sistemi olan Adaptive Resonance Theory (Uygulanabilen Rezonans Teorisi) ile çözülebilir. Sinirsel programcılık alanı 1982'deki yeniden doğuşundan beri hızla gelişmektedir, ama hâlâ yapılması gereken birçok iş, çözülmesi gereken birçok program vardır. Gelecek yıllarda daha farklı sistemler geliştirilecek ve uygulanacaktır. Uygulamalar gittikçe daha geniş alanlara yayılacaktır ama henüz, her evde konuşacak bir bilgisayar olmasından çok uzaktayız.