[科普中国]-无监督式学习网络-

无监督式学习网络(Unsupervised Learning Network)是人工智能网络的一种算法(algorithm)，其目的是对原始资料进行分类，以便了解资料内部结构。有别于监督式学习网络，无监督式学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。当学习完毕并经测试后，也可以将之应用到新的案例上。

概述无监督式学习网络(Unsupervised Learning Network)是人工智能网络的一种算法(algorithm)，其目的是对原始资料进行分类，以便了解资料内部结构。有别于监督式学习网络，无监督式学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。当学习完毕并经测试后，也可以将之应用到新的案例上。1

监督式学习监督式学习（英语：Supervised learning），是一个机器学习中的方法，可以由训练资料中学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。训练资料是由输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称作分类）。

一个监督式学习者的任务在观察完一些训练范例（输入和预期输出）后，去预测这个函数对任何可能出现的输入的值的输出。要达到此目的，学习者必须以"合理"（见归纳偏向）的方式从现有的资料中一般化到非观察到的情况。在人类和动物感知中，则通常被称为概念学习（concept learning）。2

非监督式学习非监督式学习是一种机器学习的方式，并不需要人力来输入标签。它是监督式学习和强化学习等策略之外的一种选择。在监督式学习中，典型的任务是分类和回归分析，且需要使用到人工预先准备好的范例(base)。

一个常见的非监督式学习是数据聚类。在人工神经网络中，生成对抗网络（GAN）、自组织映射（SOM）和适应性共振理论（ART）则是最常用的非监督式学习。

ART模型允许丛集的个数可随着问题的大小而变动，并让使用者控制成员和同一个丛集之间的相似度分数，其方式为透过一个由使用者自定而被称为警觉参数的常数。ART也用于模式识别，如自动目标辨识和数位信号处理。第一个版本为"ART1"，是由卡本特和葛罗斯柏格所发展的。2

算法无监督式学习网络的算法一般仅涉及单一个核心模组，但重复多次计算而已。细节如下解释：

将输入层各节点的激发程度表示为，输出层各节点的激发程度表示为，从输入层各节点指向输出层各节点的网络路径值表示为。输出层各节点间则为互相抑制，亦即是一个对角线均为零，其余元素为-1的矩阵。

核心模组的计算分为两部分：

第一部分是想知道，当基于目前的情况下，若欲使网络稳定的话，则输出层各节点激发程度 () 应该形成何种型态？计算乃遵循下列公式：

步骤1:

步骤2:

重复此二步骤的的更新，直到低于某个临界值（如：0.001）

第二部分是想知道，若要得到刚才的激发型态的话，则应该反映在的何种调整上，以便使得可以更直接透过来得到？

公式如下：

最后整体计算便将所有的输入资料分别透过上述的核心模组来得到，然后全部加总后，更新到实际的上头，并重复所有步骤若干次（如：50次）即可。1

常见的应用1. 聚类分析 (clustering analysis）

2. 向度缩减 (dimensionality reduction)1

特定的无监督式学习网络1. 自我组织图像网络(Self-Organizing Map, SOM): 目的是产生一种地形组织(topographic organization)，地图上相近的地点代表有相似属性的输入。

2.适应性共振理论网络(Adaptive Resonance Theory, ART; Carpenter & Grossberg, 1988)。3