10.2. Versengő tanulás

A versengő tanulás a nemellenőrzött tanulások csoportjába tartozó másik eljárás, amelynek a célja, hogy egy neuronhálónál a neuronok közül egy győztest válasszunk ki. A győztes neuron kimenete aktív lesz, (bináris kimenet mellett a kimenet értéke 1 lesz), miközben az összes többi neuron passzív marad (bináris kimenet mellett mindegyik 0 értéket vesz fel). A versengő tanulás célja általában a bemeneti mintatér olyan tartományokra osztása, szegmentálása, hogy egy adott tartományba tartozó bemenet hatására egy és csakis egy processzáló elem aktivizálódjon. Az eljárás tehát egyfajta klaszterkialakítást eredményez.

A versengő tanulás tulajdonképpen két lépésből áll. Az első lépés során a neuronokból álló elrendezés minden processzáló elemének kimenetét meghatározzuk az aktuális súlyvektorok felhasználásával. Ezt követi a győztes kiválasztása, amely a "győztes mindent visz" (winner-takes-all) elv alapján működik. A tényleges tanulás, vagyis a súlyvektor módosítása csak a győztes kiválasztása után lehetséges, ugyanis a versengő tanulásnál csupán a győztes processzáló elem súlyvektorát (vagy a győztes valamely környezetében található processzáló elemek súlyvektorait) módosítjuk. Meg kell jegyeznünk, hogy a súlymódosítás a versengő tanulásnál is általában a Hebb szabállyal történik. A versengő tanulásnál a versengés során tehát valójában tanulás nincs is. A versengés arra szolgál, hogy kiválaszthassuk azt a neuront, melynek a súlyait valamilyen súlymódosító eljárással majd módosítani fogjuk.

A győztes elem kiválasztása többféleképpen történhet. Triviális megoldás, ha kiszámítjuk egy adott bemenetre az összes processzáló elem kimenetét, és a legnagyobb kimenettel rendelkező PE, a győztes értékét 1-re állítjuk, az összes többiét pedig nullázzuk. A győztes kiválasztása azonban történhet "automatikusan" is, amikor a processzáló elemek között qij oldalirányú kapcsolatok vannak (ld. 10.2 ábra), és ezen kapcsolatokat megvalósító súlyok megfelelő kialakítása (és a kimeneten megfelelő nemlineáris aktivációs függvény alkalmazása) biztosítja, hogy a győztes (az ábrán az árnyékolt elem) kimeneti értéke 1, az összes többié pedig nulla lesz.

10.2. ábra - Versengő tanulással tanított hálózat (Kohonen-háló)
Versengő tanulással tanított hálózat (Kohonen-háló)

Az oldalirányú kapcsolatok súlytényezői rögzítettek: a közeli processzáló elemek között gerjesztő kapcsolat, a távolabbiak között gátló kapcsolat van.