Рекурсивные нейронные сети

Материал из Википедии — свободной энциклопедии
Перейти к навигации Перейти к поиску

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.

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[править | править код]

Базовый элемент[править | править код]

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)[править | править код]

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[править | править код]

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

Тензорные сети[править | править код]

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

Обучение[править | править код]

Стохастический метод градиентного спуска[править | править код]

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[править | править код]

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

Родственные модели[править | править код]

Рекуррентная нейронная сеть[править | править код]

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 .

Тройная эхо-сеть (Tree Echo State Network)[править | править код]

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

Расширения до графов[править | править код]

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[править | править код]

  1. «Learning task-dependent distributed representations by backpropagation through structure». Neural Networks, 1996., IEEE. DOI:10.1109/ICNN.1996.548916.
  2. 1 2 Sperduti, A. (1997-05-01). «Supervised neural networks for the classification of structures». IEEE Transactions on Neural Networks 8 (3): 714–735. DOI:10.1109/72.572108. ISSN 1045-9227.
  3. Frasconi, P. (1998-09-01). «A general framework for adaptive processing of data structures». IEEE Transactions on Neural Networks 9 (5): 768–786. DOI:10.1109/72.712151. ISSN 1045-9227.
  4. «Parsing Natural Scenes and Natural Language with Recursive Neural Networks». The 28th International Conference on Machine Learning (ICML 2011).
  5. Bianucci, Anna Maria (2000). «Application of Cascade Correlation Networks for Structures to Chemistry» (en). Applied Intelligence 12 (1-2): 117–147. DOI:10.1023/A:1008368105614. ISSN 0924-669X.
  6. Micheli, A. (2004-11-01). «Contextual processing of structured data by recursive cascade correlation». IEEE Transactions on Neural Networks 15 (6): 1396–1410. DOI:10.1109/TNN.2004.837783. ISSN 1045-9227.
  7. Hammer, Barbara (2004). «Recursive self-organizing network models». Neural Networks 17: 1061–1085.
  8. Hammer, Barbara (2004-03-01). «A general framework for unsupervised processing of structured data». Neurocomputing 57: 3–35. DOI:10.1016/j.neucom.2004.01.008.
  9. «Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank». EMNLP 2013.
  10. Hammer, Barbara. Learning with Recurrent Neural Networks. — Springer, 2007-10-03. — ISBN 9781846285677.
  11. Hammer, Barbara (2005-05-01). «Universal Approximation Capability of Cascade Correlation for Structures» (en). Neural Computation 17 (5): 1109–1159. DOI:10.1162/0899766053491878.
  12. Gallicchio, Claudio (2013-02-04). «Tree Echo State Networks». Neurocomputing 101: 319–337. DOI:10.1016/j.neucom.2012.08.017.
  13. Scarselli, F. (2009-01-01). «The Graph Neural Network Model». IEEE Transactions on Neural Networks 20 (1): 61–80. DOI:10.1109/TNN.2008.2005605. ISSN 1045-9227.
  14. Micheli, A. (2009-03-01). «Neural Network for Graphs: A Contextual Constructive Approach». IEEE Transactions on Neural Networks 20 (3): 498–511. DOI:10.1109/TNN.2008.2010350. ISSN 1045-9227.