Following Frean and Robins [1997] i

Following Frean and Robins [1997] in this paper we will
initially present the catastrophic forgetting effect in a
different way, focusing directly on the the function learned
by the network. To do this we use a simple architecture
consisting of a single input unit, 20 hidden units, and a single
output unit (with a learning constant of 0.05, a momentum of
0.9, and an error criterion of 0.001). The initial population
consists of 6 items (input value / output value pairs), which
can be plotted as data points in two dimensions. After
training we can plot the function learned by the network by
systematically sampling the space of possible input values.
As expected this function passes through the population data
points, see Fig. 1(a)1. To illustrate catastrophic forgetting
we now train the network on a single new item. Fig. 1(b)
shows the resulting function, which correctly fits the new
item data point. Notice however that this function no longer
fits the initial data points at all (the original population inputs
will not generate the correct outputs). After learning just a
single new item catastrophic forgetting has occurred.

ผลลัพธ์ (ไทย) 1:

ต่อ Frean และ Robins [1997] ในเอกสารนี้เราจะเริ่มแสดงผล forgetting รุนแรงในการวิธีที่แตกต่างกัน เน้นตรงการเรียนรู้การทำงานโดยเครือข่าย การทำเช่นนี้ เราใช้สถาปัตยกรรมที่เรียบง่ายประกอบด้วยหน่วยอินพุตเดียว หน่วย 20 ซ่อน และซิงเกิลหน่วยแสดงผล (มีค่าคงการเรียนรู้ของ 0.05 โมเมนตัมของ0.9 แล้วมีเงื่อนไขข้อผิดพลาดของ 0.001) ประชากรเริ่มต้นประกอบด้วยสินค้า 6 (ป้อนค่า / ค่าการแสดงผล), ซึ่งสามารถลงจุดเป็นจุดข้อมูลในสองมิติ หลังจากเราสามารถพล็อตฟังก์ชันการเรียนรู้ โดยเครือข่ายโดยการฝึกอบรมระบบสุ่มตัวอย่างขนาดของค่าที่ป้อนเข้าไปได้เป็นที่คาดว่า ฟังก์ชันนี้ผ่านข้อมูลประชากรจุด ดู Fig. 1 (ก) 1 เพื่อแสดงลืมรุนแรงตอนนี้เราฝึกเครือข่ายในสินค้าเดียว Fig. 1(b)แสดงฟังก์ชันผลลัพธ์ ที่ถูกต้องเหมาะสมใหม่ข้อมูลสินค้าชี้ สังเกตแต่ว่านี่ทำงานไม่เหมาะสมกับจุดเริ่มต้นข้อมูลในทั้งหมด (เดิมประชากรอินพุตจะไม่สร้างการแสดงผลที่ถูกต้อง) หลังจากเรียนรู้เพียงการเดียวใหม่สินค้ารุนแรงลืมแล้ว

ผลลัพธ์ (ไทย) 2:

ต่อไปนี้ Frean และร็อบบินส์ [1997]
ในบทความนี้เราจะเริ่มแรกนำเสนอผลลืมภัยพิบัติในวิธีที่แตกต่างกันโดยมุ่งเน้นโดยตรงในฟังก์ชั่นได้เรียนรู้โดยเครือข่าย การทำเช่นนี้เราจะใช้สถาปัตยกรรมที่เรียบง่ายซึ่งประกอบด้วยหน่วยป้อนข้อมูลเดียว 20 หน่วยที่ซ่อนอยู่และเป็นหนึ่งเดียวของหน่วยการส่งออก(ที่มีการเรียนรู้อย่างต่อเนื่อง 0.05 โมเมนตัมของ0.9 และเกณฑ์ข้อผิดพลาดของ 0.001) ประชากรเริ่มต้นประกอบด้วย 6 รายการ (ค่าอินพุต / คู่มูลค่าส่งออก) ซึ่งสามารถพล็อตเป็นจุดข้อมูลในสองมิติ หลังจากการฝึกอบรมที่เราสามารถวางแผนการทำงานที่เรียนโดยเครือข่ายโดยระบบการสุ่มตัวอย่างพื้นที่ของค่าการป้อนข้อมูลที่เป็นไปได้. คาดว่าจะเป็นฟังก์ชั่นนี้ผ่านข้อมูลประชากรจุดดูรูป 1 (ก) 1 เพื่อแสดงให้เห็นความหายนะลืมตอนนี้เราฝึกอบรมเครือข่ายในรายการใหม่เพียงครั้งเดียว รูป 1 (ข) แสดงให้เห็นถึงการทำงานที่เกิดขึ้นซึ่งได้อย่างถูกต้องเหมาะกับใหม่จุดข้อมูลรายการ ขอให้สังเกต แต่ที่ฟังก์ชั่นนี้ไม่เหมาะกับจุดข้อมูลเบื้องต้นที่ทุกคน(ประชากรปัจจัยการผลิตเดิมจะไม่สร้างผลที่ถูกต้อง) หลังจากเรียนรู้เพียงรายการเดียวใหม่ลืมภัยพิบัติที่เกิดขึ้น

ผลลัพธ์ (ไทย) 3:

และต่อไปนี้ frean โรบิน [ 1997 ] ในบทความนี้เราจะ
ตอนแรกปัจจุบันภัยพิบัติลืมผลใน
วิธีที่แตกต่างกัน , เน้นโดยตรงในการทำงานเรียนรู้
โดยเครือข่าย นี่เราใช้ง่ายสถาปัตยกรรม
ประกอบด้วยหน่วยอินพุตเดียว 20 มิลหน่วย และหน่วยแสดงผลเดียว
( กับการเรียนรู้อย่างต่อเนื่องว่า โมเมนตัมของ
0.9 และข้อผิดพลาด เกณฑ์ของคะแนน
ประชากรเริ่มต้นประกอบด้วย 6 รายการ ( มูลค่าส่งออกมูลค่าคู่ใส่ ) ซึ่งเป็นจุดข้อมูล
สามารถลงจุดใน 2 มิติ หลังจากการฝึก เราสามารถเขียนฟังก์ชัน

เรียนโดยเครือข่ายอย่างเป็นระบบ โดยเลือกพื้นที่ของค่าข้อมูลที่เป็นไปได้
คาดว่าฟังก์ชันนี้ผ่านข้อมูลประชากร
จุด เห็นรูปที่ 1 ( a ) 1 แสดงให้เห็นถึงหายนะลืม
ตอนนี้เราฝึกในเครือข่ายเดียว สินค้าใหม่ รูปที่ 1 ( B )
แสดงผลการทำงานที่ถูกต้องเหมาะกับใหม่
รายการข้อมูลจุด เห็นแต่ที่ฟังก์ชันนี้ไม่มีอีกต่อไป
พอดีเริ่มต้นจุดข้อมูลทั้งหมด ( เดิมใช้ปัจจัยการผลิต
จะสร้างผลลัพธ์ที่ถูกต้อง ) หลังจากเรียนแค่
เดียวสินค้าใหม่ที่รุนแรงก็เกิดขึ้น