A pseudoitem is constructed by gene

A pseudoitem is constructed by generating a new input
vector at random (setting input unit values randomly in the
range 0 to 1), and passing it forward through the network in
the standard way. Whatever output vector this input
generates becomes the associated target output. For a given
network we can construct a population of pseudoitems (input
/ output pairs) of any size in this way. Pseudorehearsal is the
use in a rehearsal process of a population of pseudoitems
instead of the actual previously learned items themselves. In
other words, rehearsal relearns the old population data points
to preserve the shape of the function during subsequent
learning, while pseudorehearsal samples the function at
random places to construct new data points which are then
relearned in the same way to preserve the original function.
The pseudoitems “approximate” the old population and “map
out” the function learned by the network. Relearning the
pseudoitems restricts any change in the function to be local
to the area of the new item(s) being learned. Frean and
Robins [1997] extend this account, providing a more
technical description of pseudorehearsal and a formal
analysis of a simple case for a linear network.
The effectiveness of pseudorehearsal at reducing
catastrophic forgetting has been proven using a range of
populations, including: randomly constructed autoassociative
and hetroassociative data sets [Robins, 1995]; the Iris data
set [Robins, 1996]; a classification task using the Mushroom
data set [French, 1997]; and an alphanumeric character set
using a Hopfield type network [Robins and McCallum,

ผลลัพธ์ (ไทย) 1:

Pseudoitem ที่ถูกสร้างขึ้น โดยการสร้างขาเข้าแบบใหม่เวกเตอร์สุ่ม (หน่วยป้อนข้อมูลการตั้งค่าค่าแบบสุ่มในการช่วง 0-1), และผ่านมันไปข้างหน้าผ่านเครือข่ายในแบบมาตรฐาน เวกเตอร์ผลสิ่งนี้เข้าสร้างเป็นผลผลิตเป้าหมายเกี่ยวข้อง สำหรับการกำหนดเราสามารถสร้างประชากร pseudoitems (ป้อนข้อมูลเครือข่าย/ ผลคู่) ขนาดใดก็ได้ในลักษณะนี้ Pseudorehearsal เป็นการใช้ในกระบวนการซ้อมของประชากร pseudoitemsแทนที่จริงก่อนหน้านี้ เรียนรู้สินค้าตัวเอง ในคำอื่น ๆ ซ้อม relearns ราคาจุดข้อมูลประชากรอายุการรักษารูปร่างของการทำงานในช่วงต่อมาเรียนรู้ ในขณะที่ pseudorehearsal ตัวอย่างฟังก์ชันที่สถานสุ่มสร้างจุดข้อมูลใหม่ซึ่งจะแล้วrelearned แบบเดียวกับการรักษาฟังก์ชันเดิมPseudoitems การ "ประมาณ" "แผนที่และประชากรอายุ"ออกฟังก์ชั่นการเรียนรู้ โดยเครือข่าย คอนโทรลpseudoitems จำกัดมีการเปลี่ยนแปลงฟังก์ชันเป็นพื้นที่ของรายการใหม่ที่มีการเรียนรู้ Frean และRobins [1997] ขยายบัญชี ให้มากขึ้นรายละเอียดทางเทคนิคของ pseudorehearsal และเป็นทางการการวิเคราะห์กรณีง่าย ๆ สำหรับเครือข่ายเชิงประสิทธิภาพของ pseudorehearsal ลดลืมรุนแรงได้รับการพิสูจน์โดยใช้ช่วงของประชากร รวมทั้ง: autoassociative สร้างขึ้นแบบสุ่มและชุดข้อมูล hetroassociative [Robins, 1995]; ข้อมูล Irisตั้ง [Robins, 1996]; งานประเภทที่ใช้เห็ดชุดข้อมูล [ฝรั่งเศส 1997]; ชุดตัวอักขระพยัญชนะผสมตัวเลขและการใช้เครือข่ายชนิด Hopfield [Robins และ McCallum

ผลลัพธ์ (ไทย) 2:

pseudoitem
ถูกสร้างโดยการสร้างการป้อนข้อมูลใหม่เวกเตอร์ที่สุ่ม(การตั้งค่าหน่วยการป้อนข้อมูลแบบสุ่มในช่วง 0-1) และผ่านมันไปข้างหน้าผ่านทางเครือข่ายในวิธีมาตรฐาน ไม่ว่าเวกเตอร์เอาท์พุทอินพุทนี้สร้างกลายเป็นเป้าหมายการส่งออกที่เกี่ยวข้อง สำหรับการกำหนดเครือข่ายที่เราสามารถสร้างประชากร pseudoitems (อินพุตคู่/ ส่งออก) ที่มีขนาดใดในลักษณะนี้ Pseudorehearsal คือการใช้งานในขั้นตอนการฝึกซ้อมของประชากรpseudoitems แทนของรายการที่เกิดขึ้นจริงได้เรียนรู้ก่อนหน้านี้ตัวเอง ในคำอื่น ๆ ที่ซ้อม relearns จุดข้อมูลประชากรเก่าเพื่อรักษารูปทรงของฟังก์ชั่นในช่วงที่ตามมาในการเรียนรู้ในขณะที่กลุ่มตัวอย่าง pseudorehearsal ฟังก์ชั่นที่สถานที่สุ่มที่จะสร้างจุดข้อมูลใหม่แล้วrelearned ในทางเดียวกันเพื่อรักษาฟังก์ชั่นเดิม. pseudoitems "ประมาณ" ประชากรเก่าและ "แผนที่ออก" ฟังก์ชั่นที่เรียนโดยเครือข่าย relearning pseudoitems จำกัด การเปลี่ยนแปลงใด ๆ ในการทำงานที่จะเป็นท้องถิ่นไปยังพื้นที่ของรายการใหม่(s) being เรียนรู้ Frean และร็อบบินส์[1997] ขยายบัญชีนี้ให้มากขึ้นรายละเอียดทางเทคนิคของpseudorehearsal และอย่างเป็นทางการการวิเคราะห์กรณีที่ง่ายสำหรับเครือข่ายเชิงเส้น. ประสิทธิผลของ pseudorehearsal ลดลืมภัยพิบัติได้รับการพิสูจน์โดยใช้ช่วงของประชากรรวมถึงการสุ่มสร้าง autoassociative และชุดข้อมูล hetroassociative [ร็อบบินส์ 1995] ข้อมูล Iris ชุด [ร็อบบินส์ 1996] เป็นงานที่จัดหมวดหมู่การใช้เห็ดข้อมูลตั้งค่า [ฝรั่งเศส, 1997] และตัวอักษรและตัวเลขการตั้งค่าใช้เครือข่ายประเภท Hopfield [ร็อบบินส์และแม็กคอล,

ผลลัพธ์ (ไทย) 3:

เป็น pseudoitem ถูกสร้างโดยการสร้างอินพุตเวกเตอร์
ใหม่สุ่ม ( การตั้งค่าหน่วยป้อนค่าสุ่มในช่วง 0 ถึง 1
) และผ่านมันส่งต่อผ่านเครือข่ายใน
วิธีมาตรฐาน ไม่ว่าผลเวกเตอร์นี้เข้า
สร้างกลายเป็นที่เกี่ยวข้อง เป้าหมาย ผลผลิต เพื่อให้เราสามารถสร้างเครือข่าย
ประชากร pseudoitems ( input / output
คู่ ) ของขนาดใด ๆในลักษณะนี้pseudorehearsal เป็น
ใช้ในการซ้อมกระบวนการของประชากร pseudoitems
แทนที่จะ จริง เคยรู้ รายการตัวเอง ในคำอื่น ๆ
,
relearns ซ้อมจุดข้อมูลประชากรเก่าเพื่อรักษารูปร่างของฟังก์ชันระหว่าง
การเรียนรู้ตามมา ในขณะที่ตัวอย่างฟังก์ชันที่
สถานที่สุ่มเพื่อสร้างจุดข้อมูลใหม่ ซึ่งจะ pseudorehearsal
relearned ในลักษณะเดียวกันเพื่อรักษาฟังก์ชันเดิม pseudoitems
" ประมาณ " แก่ประชากรและแผนที่ "
" ฟังก์ชันเรียนรู้โดยเครือข่าย relearning
pseudoitems จำกัด การเปลี่ยนแปลงใด ๆในการทำงานเพื่อท้องถิ่น
ไปยังพื้นที่ของ Item ( s ) การเรียนรู้ frean
[ 1997 ] โรบินและขยายให้มากขึ้น
บัญชีนี้รายละเอียดทางเทคนิคของ pseudorehearsal และการวิเคราะห์อย่างเป็นทางการ
กรณีง่ายสำหรับเครือข่ายเชิงเส้น ผลในการลด pseudorehearsal

หายนะลืมได้รับการพิสูจน์โดยใช้ช่วงของ
ประชากร รวมทั้งสร้างและสุ่ม autoassociative
hetroassociative ชุด [ ข้อมูล โรบินส์ , 1995 ] ; ข้อมูลไอริส
โรบินชุด [ 1996 ] งาน ; การใช้เห็ด
ชุดข้อมูล [ ภาษาฝรั่งเศส 1997 ] ; และชุดอักขระตัวอักษรและตัวเลข
โดยใช้เส้นประเภทเครือข่าย [ โรบิน McCallum และ ,