Progressi teorici nel calcolo e nell'apprendimento neurale

Theoretical Advances in Neural Computation and Learning riunisce in un unico volume alcuni dei recenti progressi nello sviluppo di un quadro teorico per lo studio delle reti neurali. Una varietà di nuove tecniche provenienti da discipline quali informatica, ingegneria elettrica, statistica e matematica sono state integrate e applicate per sviluppare strumenti analitici innovativi per tali studi. Questo volume enfatizza le questioni computazionali nelle reti neurali artificiali e compila una serie di lavori di ricerca pionieristici, che insieme stabiliscono un quadro generale per lo studio della complessità delle reti neurali e delle loro capacità di apprendimento. Questo libro rappresenta uno dei primi sforzi per evidenziare questi risultati fondamentali e fornisce una piattaforma unificata per un'esplorazione teorica della computazione neurale. Ogni capitolo è scritto da un importante ricercatore e/o studioso che ha apportato contributi significativi in ​​quest'area. La Parte 1 fornisce uno studio teorico della complessità di diversi modelli di calcolo neurale. Vengono introdotte le misure di complessità per i modelli neurali e vengono discusse le tecniche per la progettazione efficiente di reti per l'esecuzione di calcoli di base, nonché gli strumenti analitici per comprendere le capacità e i limiti del calcolo neurale. I risultati descrivono come il costo computazionale di una rete neurale aumenta con la dimensione del problema. Altrettanto importante, questi risultati vanno oltre lo studio dei singoli elementi neurali e stabiliscono la potenza computazionale delle reti multistrato. La parte 2 discute concetti e risultati riguardanti l'apprendimento utilizzando modelli di calcolo neurale. Vengono introdotti concetti di base come la dimensione VC e l'apprendimento PAC e vengono derivati ​​risultati recenti che collegano le reti neurali alla teoria dell'apprendimento. Inoltre, alcuni capitoli affrontano questioni fondamentali riguardanti gli algoritmi di apprendimento, come l'accuratezza e il tasso di convergenza, la selezione dei dati di addestramento e algoritmi efficienti per l'apprendimento di classi utili di mappature.