Ideally the representations develop

Ideally the representations developed by a learning system
should be stable enough to preserve important information
over time, but plastic enough to incorporate new information
when necessary. The use of variable connection weights as a
medium for encoding information leads most ANNs to err on
the side of excessive plasticity – new learning changes the
weights and thus disrupts any old information (patterns
previously learned by the network). Grossberg [1987]
suggests the analogy of a human trained to recognise the
word “cat”, and subsequently to recognise the word “table”,
being then unable to recognise “cat”. This effect has been
identified in many guises in the ANN literature under
headings such as catastrophic forgetting, catastrophic
interference, or the serial learning problem. It is due to the
catastrophic forgetting problem that most ANN learning
algorithms are based on “concurrent” learning, i.e. the whole
population of interest is presented and trained as a single,
complete entity. Training is then “finished” and no further
information is learned by the network.

ผลลัพธ์ (ไทย) 1:

เชิญนำเสนอพัฒนาระบบการเรียนรู้ควรมั่นคงพอที่จะรักษาข้อมูลที่สำคัญช่วงเวลา แต่พลาสติกพอจะรวบรวมข้อมูลใหม่เมื่อจำเป็น การใช้น้ำหนักของตัวแปรการเชื่อมต่อเป็นแบบกลางสำหรับการเข้ารหัสข้อมูลนำ ANNs ส่วนใหญ่พลั้งบนด้านของ plasticity มากเกินไป – การเปลี่ยนแปลงการเรียนรู้ใหม่น้ำหนัก และ disrupts (รูปแบบข้อมูลเก่าดังนั้นก่อนหน้านี้ เรียนรู้ โดยเครือข่าย) Grossberg [1987]แนะนำเปรียบเทียบของมนุษย์ฝึกให้รู้คำว่า "แมว" และในเวลาต่อมา จะรู้คำว่า "ตาราง"ถูกแล้วไม่สามารถจะรู้ "แมว" ลักษณะพิเศษนี้ได้ระบุใน guises ต่าง ๆ ในวรรณคดีแอนภายใต้หัวข้อเช่นลืมรุนแรง รุนแรงสัญญาณรบกวน หรือปัญหาการเรียนรู้ประจำ จะครบกำหนดในลืมปัญหารุนแรงที่สุดแอนเรียนอัลกอริทึมจะยึด "พร้อม" การเรียนรู้ เช่นทั้งหมดประชากรที่น่าสนใจจะนำเสนอ และฝึกเป็น singleทำเอนทิตี การฝึกอบรมเป็น "เสร็จสิ้น" และไม่มีอีกแล้วข้อมูลเป็นการเรียนรู้ โดยเครือข่าย

ผลลัพธ์ (ไทย) 2:

จะเป็นการดีที่การแสดงที่พัฒนาโดยระบบการเรียนรู้ควรจะมีเสถียรภาพพอที่จะรักษาข้อมูลที่สำคัญในช่วงเวลาแต่พลาสติกพอที่จะรวมข้อมูลใหม่เมื่อมีความจำเป็น การใช้น้ำหนักการเชื่อมต่อตัวแปรที่เป็นสื่อกลางในการเข้ารหัสข้อมูลที่นำไปสู่ ​​ANNs ที่สุดที่จะทำผิดพลาดในด้านของการปั้นมากเกินไป- การเรียนรู้ใหม่การเปลี่ยนแปลงน้ำหนักและทำให้รบกวนข้อมูลเก่าๆ (รูปแบบการเรียนรู้โดยก่อนหน้านี้เครือข่าย) Grossberg [1987] แสดงให้เห็นความคล้ายคลึงกันของมนุษย์ได้รับการฝึกฝนที่จะรับรู้คำว่า "แมว" และต่อมาในการรับรู้คำว่า "ตาราง" ที่เป็นแล้วไม่สามารถที่จะรับรู้ "แมว" ผลกระทบนี้จะได้รับการระบุไว้ในหลายรูปแบบในวรรณคดี ANN ภายใต้หัวข้อเช่นลืมภัยพิบัติภัยพิบัติรบกวนหรือปัญหาการเรียนรู้แบบอนุกรม มันเป็นเพราะปัญหาภัยพิบัติลืมว่าส่วนใหญ่ ANN การเรียนรู้ขั้นตอนวิธีการจะขึ้นอยู่กับ"พร้อมกัน" การเรียนรู้คือทั้งประชากรที่สนใจจะนำเสนอและได้รับการฝึกฝนเป็นหนึ่งเดียวนิติบุคคลสมบูรณ์ การฝึกอบรมแล้ว "เสร็จ" และไม่เพิ่มเติมข้อมูลจะได้เรียนรู้โดยเครือข่าย

ผลลัพธ์ (ไทย) 3:

ซึ่งเป็นตัวแทนที่พัฒนาโดยระบบการเรียนรู้

ควรมั่นคงเพียงพอที่จะรักษาข้อมูลสำคัญตลอดเวลา แต่พอรวมพลาสติก
ข้อมูลใหม่เมื่อจำเป็น การใช้น้ำหนักการเชื่อมต่อตัวแปรเป็นสื่อนำข้อมูลแบบ

ทางที่สุดที่จะผิดพลาดในด้านของมากเกินไป–การเรียนรู้ใหม่เปลี่ยนแปลง
พลาสติกน้ำหนัก และดังนั้นจึง รบกวนข้อมูลเก่าใด ๆ ( รูปแบบ
เคยรู้ โดยเครือข่าย ) grossberg [ 1987 ]
ชี้ให้เห็นคล้ายคลึงกันของมนุษย์ ฝึกให้รู้จัก
" แมว " และต่อมารู้จัก คำว่า " โต๊ะ "
ถูก แล้วไม่สามารถที่จะจำ " แมว " ผลนี้ถูก
ระบุในหลาย guises ในวรรณคดี แอน ภายใต้
หัวเรื่องเช่นรุนแรง ลืมไปหายนะ
รบกวนหรืออนุกรมการเรียนรู้ปัญหา มันเป็นเนื่องจากการลืมปัญหาที่รุนแรงที่สุด แอน

ขั้นตอนวิธีการเรียนรู้โดยการเรียนรู้ " พร้อมกัน " เช่นประชากรทั้งหมด
สนใจเสนอและการฝึกอบรมเป็นหนึ่งเดียว
กิจการเสร็จสมบูรณ์ ฝึกแล้ว " จบ " ไม่มีข้อมูลเพิ่มเติม
เรียนรู้โดยเครือข่าย