機械学習:ホップフィールドモデル
ホップフィールドモデル
1980年代後半に物理学者ホップフィールドと同僚たちによって提案された,非階層型ニューラルネットワークの一つをホップフィールドモデル,あるいはホップフィールドネットワークと呼びます。 ホップフィールドモデルによって
- 最適化問題
- 連想記憶
を解くことが可能です。
典型的なホップフィールドモデルではニューロン間の全てに結合があります。ホップフィードモデルの特徴は結合係数が対称であることです。すなわちニューロンAからニューロンBへの結合係数と,逆向きのニューロンBからニューロンAへの結合係数は等しいと仮定します。
この仮定を用いることにより,統計力学におけるイジングモデル,あるいはイジングスピンモデルとの類推が可能となります。 以下,物理学との対比です。ある分子が他の分子に影響を与える場合に,その影響力は2分子間の距離に応じて変化します。しかし,その影響は 一方が他方に与える影響と,反対向きの影響は距離にのみ依存するので対称です。分子Aが分子Bに与える影響は,分子Bが分子Aに与える影響に等しく,その影響力は2分子間の距離によって定まります。この関係がホップフィールモデルでも仮定されました。
分子は内部電子の回転により磁力を持ちますが,場に働く磁力と温度によって系の振る舞いが定まります。
機械学習/ホップフィールドモデル.txt · 最終更新: 2016/02/24 04:26 by asakawa