Zitat:
Zitat von TomS
Aber sicher trifft das zu.
Ein NN besteht aus einem endlichen Input x, einem endlichen Parametersatz p, einem festen Algorithmus = einer Funktion f, die aus Input und Parametersatz einen endlichen Output y erzeugt und (während des Lernens) den Parametersatz zu p’ anpasst. In endlicher Zeit, terminierend, deterministisch, turingberechenbar, mittels simpler Matrixoperationen und anderen algebraischen Operationen.
Man kann den Algorithmus je Durchlauf mittels (y,p’) = f(x,p) zusammenfassen
|
Das ist, wie bei S-Parameter, eine äußer Beschreibung einer Blackbox.
Natürlich kann ich durch Anlegen von Signalen an den Eingängen versuchen die Funktion des Neuronalen Netzwerkes zu ergründen. Wobei ich mit jedem Anlegen von Information, den Zustand des Netzwerkes (sofern Lernen und Normalbetrieb wie beim menschlichen Gerhirn nicht getrennt sind) verändere.
Gerade das ist beim "Deep Learning" ein Problem, denn es geht nicht hervor wie das Netzwerk zu seiner Entscheidung kommt. Geradezu eine menschliche Eigenschaft, sowie die Unschärfe der Aussage.
Dieser Artikel gibt einen guten Einblick zu diesem Thema:
Kapitel:
Algorithmische Komplexität – Fluch und Segen,
https://www.informatik-aktuell.de/be...black-box.html
Die Funktion des einzelnen Netzwerkknoten oder Neuron läßt sich mathematisch beschreiben. Auch die Gewichtung lässt sich bis zu einer gewissen Tiefe nachverfolgen, wie der Weg von Teilchen beim Mehrkörperproblem, aber mit einem rasch ansteigenden Aufwand. Die Gleichungen sind beim Mehrkörperproblem formulierbar, aber nicht lösbar.
Die Gewichtung der einzelnen Netzwerkknoten ändert sich bei jedem Lernvorgang, die Information verteilt sich über das gesamte Neuronale Netzwerk mit allen sein Schichten.
Neuronale Netzwerke bleiben, so wie das Gehirn, ein Black Box, ein Schlupfloch für das Bewustsein.