85
Rozdział 6. Sieci rezonansowe
Trudno nie przyznać, że zakłócenie ma charakter drobny i nie powinno — w teorii — wpływać na kategoryzację rozważanych obrazów. Jednak nałożenie tych zakłóceń na pierwotne obrazy ujawnia następujący fakt. Zakłócona litera I nie przestaje być literą I (tu nasze oczekiwania odpowiadają rzeczywistości), natomiast zakłócone O okazuje się być innym znakiem, mianowicie Q
■nmr |
■1 1 |
SHHHh |
■Lj |
Sieć ART jest wobec takiej sytuacji kompletnie bezradna. Żadne manewrowanie współczynnikiem v nie zapewni sensownego działania sieci, gdyż udział ,,szumowych" pikseli w obrazie litery I jest znacznie większy, niż id) udział w obrazie litery O, a tymczasem właśnie w tym drugim przypadku powinno się zbudować nową klasę, a w pierwszym przypadku należy uznać, że mamy do czynienia ze znanym uprzednio bodźcem — tylko obecnie prezentowanym w formie zakłóconej.
Oczywiście w podanym przykładzie bardzo łatwo sformułować wniosek, że winna jest niewłaściwa reprezentacja obrazu. Istotnie, opierając się wyłącznie na obecności lub braku pikseli w konkretnych punktach siatkówki nie da się sensownie rozpoznawać znaków alfanumerycznych (potrzebne są tu bardziej wyrafinowane cechy obrazów rozpoznawanych liter), jednak nawet wprowadzenie takich doskonalszych cech nie uwolni całkowicie nas od częstych w praktyce sytuacji, kiedy drobna zmiana kilku z tych cech raz może oznaczać zasadniczą zmianę rozpoznania obrazu, a w innym wypadku duża zmiana cech może wiązać się jedynie z mało istotnym zakłóceniem. Dyskutowany wyżej przykład z siatkówką, na którą rzutowane są obrazy liter, stanowił jedynie łatwą do prześledzenia ilustrację istoty tych problemów.
Niezdolność sieci ART do rozróżniania drobnych, ale istotnych zmian rozpoznawanego obrazu od ewidentnych zakłóceń jest jej oczywistą wadą. Tćzeba jednak stwierdzić, że nie jest to wada wyłącznie tej właśnie sieci; w istocie takie problemy w mniej lub bardziej istotny sposób pojawiają się przy użyciu dowolnej sieci wykorzystującej uczenie bez nauczyciela. Z tego względu w zastosowauich mającycli rozwiązywać zagadnienia praktyczne preferuje się sieci realizujące zasadę snpemised łearning, na przykład z wsteczną propagacją błędów.