Как растет нейронный газ, используемый для кластеризации?

Question

Я знаю, как работает алгоритм, но я не уверен, как он определяет кластеры. На основе изображений я предполагаю, что он видит все нейроны, которые связаны ребрами как один кластер. Чтобы у вас могло быть два кластера из двух групп нейронов, каждый из которых связан. Но так ли это?

Я также задаюсь вопросом .. является ли GNG действительно нейронной сетью? У него нет функции распространения или функции активации или взвешенных ребер. Разве это не графа? Думаю, это зависит от личного мнения, но я хотел бы их услышать.

UPDATE:

Этот тезис www.booru.net/download/MasterThesisProj.pdf занимается ГНГ-кластеризация и на странице 11 вы можете увидеть пример того, что выглядит как кластеры соединенных нейронов. Но тогда меня тоже смущает количество итераций. Скажем, у меня есть 500 точек данных для кластера. Как только я их вставляю, я удаляю их и снова добавляю, чтобы адаптировать существующую сеть? И как часто я это делаю?

Я имею в виду .. Я должен повторно добавить их в какой-то момент .. при добавлении нового нейрона r между двумя старыми нейронами u и v тогда некоторые точки данных, ранее принадлежащие u, теперь должны принадлежать r, потому что он ближе , Но алгоритм не содержит изменения назначения этих точек данных. И даже если я удалю их после одной итерации и добавлю их все снова, то ложное присваивание точек для остальной части этой первой итерации изменяет обработку сети, не так ли?

Answer 1

NG и GNG - это форма самоорганизующихся карт (SOM), которые также называются «нейронные сети Кохонена».

Они основаны на более древнем, гораздо более широком представлении о сетях с нейтральными сетями, когда они по-прежнему вдохновлялись природой, а не управлялись с помощью GPU-способностей матричных операций. В то время, когда у вас еще не было массивных SIMD-архитектур, не было ничего плохого в том, что нейроны самоорганизуются, а не быть организованными в строгих слоях.

Я бы не назвал их кластерами, хотя этот термин обычно (ab-) используется в связанной работе. Потому что я не вижу сильных свойств этих «кластеров».

SOMs буквально maps как в географии. SOM представляет собой набор узлов («нейронов»), обычно расположенных в 2d прямоугольной или шестиугольной сетке. (= карта). Затем позиции во входном пространстве оптимизируются итеративно, чтобы соответствовать данным. Поскольку они влияют на своих соседей, они не могут свободно двигаться. Подумайте об обертке сетки вокруг дерева; узлы сети - ваши нейроны. NG и GNG кажутся очень милыми, но с более гибкой структурой узлов. Но на самом деле приятным свойством SOM ​​является 2d-карта, которую вы можете получить.

Единственный подход, который я помню для кластеризации, заключался в том, чтобы проецировать входные данные на дискретное 2d-пространство сетки SOM, а затем запускать k-средства на эту проекцию. Вероятно, он будет работать нормально (как в: он будет работать аналогично k-значению), но я не уверен, что он теоретически хорошо поддерживается.