Catastrophic forgetting is a very b

Catastrophic forgetting is a very basic consequence of a
plastic representing medium, and most ANNs are vulnerable
to this problem. Consequently most learning algorithms
involve learning all information of interest concurrently. By
constraining changes to the function to be local to the new
item(s), pseudorehearsal provides a useful solution to this
problem that allows new information to be learned at any
time (without needing access to old information to rehearse).
We have previously claimed [Robins, 1996] that, unlike
other proposed solutions to the catastrophic problem,
pseudorehearsal has no detrimental effect on the ability of
the network to generalise. This claim was based on large
populations where performance is generally good. In this
paper we have explored generalisation in more detail,
considering a range of population sizes. We have shown that
localising changes to the function does in fact have a slightly
detrimental impact on generalisation, especially for small
populations. It remains to be seen if this proves to be a
significant problem in practical applications.

ผลลัพธ์ (ไทย) 1:

ลืมรุนแรงจะส่งผลต่อพื้นฐานมากของการพลาสติกแทนกลาง และส่วนใหญ่ ANNs เสี่ยงปัญหานี้ ดังนั้นส่วนใหญ่เรียนรู้อัลกอริทึมเกี่ยวข้องกับการเรียนรู้ข้อมูลน่าสนใจพร้อม โดยกีดเปลี่ยนแปลงฟังก์ชันเป็นใหม่รายการ pseudorehearsal ช่วยให้โซลูชั่นที่มีประโยชน์นี้ปัญหาที่ข้อมูลใหม่สามารถเรียนรู้ที่เวลา (โดยไม่จำเป็นต้องเข้าถึงข้อมูลเก่าให้ลอง)เราได้เคยอ้าง [Robins, 1996] ที่ เท่าโซลูชั่นอื่น ๆ เสนอปัญหารุนแรงpseudorehearsal ไม่มีผลดีผลกับความสามารถของเครือข่ายการ generalise ข้อเรียกร้องนี้ได้ขึ้นอยู่กับขนาดใหญ่ประชากรที่ดีโดยทั่วไปประสิทธิภาพการทำงาน ในที่นี้เรามีอุดม generalisation ละเอียด กระดาษพิจารณาช่วงของขนาดประชากร เราได้แสดงที่localising ฟังก์ชันการเปลี่ยนแปลงในความเป็นจริงมีการเล็กน้อยผลกระทบผลดี generalisation โดยเฉพาะอย่างยิ่งสำหรับขนาดเล็กประชากร ยังคงจะมองเห็นถ้านี้พิสูจน์ให้เป็นปัญหาสำคัญในการประยุกต์ใช้งานจริง

ผลลัพธ์ (ไทย) 2:

ลืมรุนแรงเป็นผลขั้นพื้นฐานมากของพลาสติกที่เป็นตัวแทนของกลางและ ANNs ส่วนใหญ่มีความเสี่ยงที่จะแก้ไขปัญหานี้ ดังนั้นขั้นตอนวิธีการเรียนรู้มากที่สุดเกี่ยวกับการเรียนรู้ข้อมูลที่น่าสนใจควบคู่กันไป โดยconstraining เปลี่ยนแปลงฟังก์ชั่นที่จะเป็นท้องถิ่นใหม่รายการ(s), pseudorehearsal ให้เป็นโซลูชั่นที่มีประโยชน์ในการนี้ปัญหาที่ช่วยให้ข้อมูลใหม่ที่จะเรียนรู้ที่ใดๆเวลา (โดยไม่จำเป็นต้องเข้าถึงข้อมูลเก่าที่จะฝึกซ้อม). เราได้อ้างว่าก่อนหน้านี้ [ร็อบบินส์ 1996] ที่แตกต่างจากการแก้ปัญหาอื่นๆ ที่จะนำเสนอปัญหาภัยพิบัติpseudorehearsal ไม่มีผลกระทบต่อความสามารถของเครือข่ายที่จะพูดคุย การเรียกร้องนี้ขึ้นอยู่กับขนาดใหญ่ประชากรที่ผลการดำเนินงานโดยทั่วไปดี ในการนี้กระดาษที่เรามีการสำรวจทั่วไปในรายละเอียดมากขึ้นพิจารณาช่วงของขนาดประชากร เราได้แสดงให้เห็นว่าlocalising เปลี่ยนแปลงฟังก์ชั่นไม่ในความเป็นจริงมีเพียงเล็กน้อยส่งผลกระทบที่เป็นอันตรายในทั่วไปโดยเฉพาะอย่างยิ่งสำหรับธุรกิจขนาดเล็กประชากร มันยังคงที่จะเห็นว่านี่เป็นข้อพิสูจน์ที่จะเป็นปัญหาที่สำคัญในการปฏิบัติงาน

ผลลัพธ์ (ไทย) 3:

หายนะลืมผลพื้นฐานมากของ
พลาสติกแทนกลาง และทางส่วนใหญ่มีความเสี่ยง
กับปัญหานี้ ดังนั้นส่วนใหญ่อัลกอริทึมการเรียนรู้
เกี่ยวข้องกับการเรียนรู้ข้อมูลที่น่าสนใจพร้อม โดย
constraining การเปลี่ยนแปลงการทำงานเพื่อท้องถิ่น สินค้าใหม่
( s ) , pseudorehearsal ให้โซลูชั่นที่เป็นประโยชน์นี้
ปัญหาที่ช่วยให้ข้อมูลใหม่ที่จะเรียนรู้ในทุกๆ
( โดยไม่ต้องเข้าถึงข้อมูลเก่าไปซ้อม ) .
เราเคยอ้างว่า [ โรบินส์ , 1996 ] ที่ไม่เหมือน
อื่นที่เสนอแนวทางแก้ไขปัญหาภัยพิบัติ ,
pseudorehearsal ไม่เกิดผลเสียหายต่อความสามารถของ
เครือข่ายกล่าวสรุป . การเรียกร้องนี้ขึ้นอยู่กับขนาดใหญ่
ประชากรที่มีประสิทธิภาพเป็นปกติดีในกระดาษนี้เราได้สำรวจ generalisation

รายละเอียดเพิ่มเติม พิจารณาช่วงของขนาดประชากร เราได้แสดงให้เห็นว่า
localising เปลี่ยนแปลงฟังก์ชันไม่ในความเป็นจริงมีเล็กน้อย
เป็นอันตรายต่อ generalisation , โดยเฉพาะอย่างยิ่งสำหรับประชากรเล็ก

มันยังคงที่จะเห็นถ้านี้พิสูจน์ให้เป็น
ปัญหาสำคัญในการใช้งานในทางปฏิบัติ