It is not the case that all models

It is not the case that all models that rely on distributed, overlapping representations
forget catastrophically in the presence of new information. In particular, the class of
convolution-correlation models (e.g., CHARM (Metcalfe, 1982) and TODAM (Murdock,
1983)), and Sparse Distributed Memory (SDM) (Kanerva, 1989) can learn new information
in a sequential manner and can, in addition, generalize on new input. The performance of
these models on previously learned information declines gradually, rather than falling off
abruptly, when learning new patterns. One might argue that CHARM, TODAM, and SDM
are not “connectionist” models. While, strictly speaking, this may be true, convolutioncorrelation
models are readily shown to be isomorphic to sigma-pi connectionist models and
SDM has been shown to be isomorphic to a Hopfield network (Keeler, 1988)

ผลลัพธ์ (ไทย) 2:

มันไม่ได้เป็นกรณีที่ทุกรูปแบบที่ต้องพึ่งพาการกระจายการแสดงที่ทับซ้อนกันลืมย่อยยับในการปรากฏตัวของข้อมูลใหม่ โดยเฉพาะอย่างยิ่งการเรียนของรุ่นบิดความสัมพันธ์ (เช่น CHARM (เมทคาล์ฟ, 1982) และ TODAM (Murdock, 1983)) และหน่วยความจำแบบกระจายเบาบาง (SDM) (Kanerva, 1989) สามารถเรียนรู้ข้อมูลใหม่ในลักษณะที่ต่อเนื่องและสามารถในนอกจากนี้คุยกับการป้อนข้อมูลใหม่ ประสิทธิภาพการทำงานของรูปแบบเหล่านี้ได้เรียนรู้เกี่ยวกับข้อมูลก่อนหน้านี้ลดลงเรื่อย ๆ มากกว่าล้มปิดทันทีเมื่อการเรียนรู้รูปแบบใหม่ บางคนอาจเถียงว่า CHARM, TODAM และ SDM ไม่ได้ "connectionist" รุ่น ในขณะที่พูดอย่างเคร่งครัดนี้อาจจะเป็นจริง convolutioncorrelation แบบจำลองจะแสดงให้เห็นได้อย่างง่ายดายที่จะเป็นไป isomorphic ซิก-ปี่รุ่น connectionist และSDM ได้รับการแสดงที่จะ isomorphic กับเครือข่าย Hopfield (คีลเลอร์, 1988)

ผลลัพธ์ (ไทย) 3:

ไม่ใช่ กรณี ที่ ทุกรุ่น ที่ต้องพึ่งพาการกระจายซ้อนแทน
ลืม catastrophically ในการแสดงตนของข้อมูลใหม่ โดยเฉพาะห้องเรียน
ขดความสัมพันธ์รุ่น ( เช่นเสน่ห์ ( เมตคาล์ฟ , 1982 ) และ todam ( Murdock ,
1983 ) และเบาบางกระจายหน่วยความจำ ( SDM ) ( kanerva , 1989 ) สามารถเรียนรู้
ข้อมูลใหม่ในลักษณะที่ต่อเนื่องและสามารถ นอกจากนี้หาที่ใหม่ใส่ ประสิทธิภาพของรูปแบบเหล่านี้ในก่อนหน้านี้
เรียนรู้ข้อมูลลดลงเรื่อย ๆ แทนที่จะตก
ทันทีเมื่อการเรียนรู้รูปแบบใหม่ หนึ่งอาจโต้แย้งว่าเสน่ห์ todam และ SDM
ไม่ได้ " รุ่น คอนเนคชันนิสต์ " ในขณะที่พูดนี้อาจจะจริง convolutioncorrelation
นางแบบแสดงพร้อมที่จะเป็นพวกเรา พี คอนเนคชันนิสต์รุ่นและ
ซิกม่าSDM ได้ถูกแสดงให้พวกเราที่เป็นเส้น ( คีเลอร์ , 1988 ) เครือข่าย