Eigenschaften künstlicher neuronaler Netze

Beim intensiven Studium Neuronaler Netze erkennt man viele Eigenschaften, sowohl positive als auch negative. Im folgenden werden einige positive Eigenschaften genannt:

Lernfähigkeit: NN können ihr Verhalten (Ausgaben) schneller als fest programmierte Algorithmen geänderten Eingaben anpassen, da sie mit einer Vielzahl von Trainingsmustern durch ein spezielles Lernverfahren trainiert werden und meistens nicht programmiert werden.

Parallelität: NN sind hochgradig parallel und daher sehr geeignet, um eine Implementierung oder Simulation auf parallelen Rechnern durchzuführen.

Verteilte Wissensrepresentation: Nahezu alle NN haben ihre wichtige Information in ihren Gewichten verankert. Dies ist der Grund für die massive Parallelität und für die weitaus höhere Fehlertoleranz des gesamten Modells gegenüber dem Ausfall einzelner Neuronen oder Verbindungen.

Höhere Fehlertoleranz: Dadurch, dass das "Wissen" der NN verteilt gespeichert ist, entsteht eine höhere Fehlertoleranz gegenüber herkömmlichen Algorithmen beim Ausfallen einzelner Neuronen oder Verbindungen. Dies ist allerdings nicht automatisch bei jedem trainierten NN der Fall, nur wenn beim Erstellen des Systems Fehlertoleranz berücksichtigt wurde.

Inhaltsbezogene Speicherung von Information: Konventionelle Computersysteme und Programme haben ihre Information adressbezogen gespeichert. Dies ist hier nicht so. Die Information ist assoziativ gespeichert. Es ist somit leicht, zum eingegeben Muster ein ähnliches ausgeben zu lassen.

Robustheit gegenüber Störungen oder verrauschten Daten: Wurden bei NN die richtigen Trainingsmuster angewandt, so reagieren sie nicht so empfindlich auf Störungen oder verrauschte Daten, wie herkömmliche Algorithmen.

Default-Werte und spontane Generalisierung: Oft werden von NN automatisch Prototypen von Eingabemustern, die dem selben Typ entsprechen, erstellt. Dies liefert Default-Werte für nicht vollständig spezifizierte Parameter von Mustern, die dann als Eingabe an ein neuronales Netz angelegt werden.

Aktive Repräsentation: NN bringen Repräsentationen hervor, die nicht passiv sind und auf welche kein aktives Programm zugreift. Die Repräsentation der Information aus den Gewichten wirkt zusätzlich an der Verarbeitung mit.

Wie schon erwähnt, besitzen Neuronale Netze auch negative Eigenschaften, von denen nun einige vorgestellt werden:

Wissenserwerb ist nur durch Lernen möglich: Gerade durch die verteilte Information der NN ist es schwer, dem gesamten System ein basiertes Grundwissen mitzugeben. Fast ausschließlich ist das Erlangen von Wissen für NN nur durch das Lernen möglich. Es gibt nur vereinzelte NN-Systeme, bei denen es möglich ist, ihnen ein Basiswissen mitzugeben.

Keine Introspektion möglich: NN können ihr Wissen oder den Problemlösungsvorgang nicht analysieren. Außerdem ist bei Netzwerken eine Analyse der Information sehr schwierig.

Logisches (sequentielles) Schließen ist kompliziert: Es gibt zwar schon Ansätze hierfür, aber aufgrund der dafür benötigten Neuronen und Verbindungen ist logisches sequentielles Schließen durch Interferenzketten bei NN kaum realisierbar.

Lernen ist relativ langsam: Viele Lernverfahren sind sehr zeitaufwendig, besonders, wenn Netzwerksysteme angewandt werden, die vollständig über die jeweiligen Ebenen miteinander verknüpft sind, wo also jedes Neuron einer Schicht mit allen Neuronen der nächsten Schicht verknüpft ist. Dieses Problem wurde zwar schon in Angriff genommen, ist aber derzeitig noch nicht vollständig lösbar.

Proseminar-Startseite