Dissertação

{en_GB=Hierarchical Associative Memories and Sparse Coding} {} EVALUATED

{pt=Existem na literatura científica vários modelos de redes neuronais artificiais que implementam memórias associativas. Neste trabalho fornece-se uma comparação generalizada de alguns deles no que diz respeito à sua operação computacional (funcionamento e desempenho), bem como aspectos biológicos que estariam na sua origem. O foco ficou principalmente no modelo do actualmente pos-doc João Sacramento (Memórias Associativas Hierárquicas, 2011) orientado também pelo prof. Andreas Wichert, que criou uma hierarquia de matrizes semelhantes à Lernmatrix (modelo de Steinbuch, 1963) dispostas em várias camadas. Tais matrizes funcionam como filtros relativamente umas às outras, e permitem seleccionar e restringir os caminhos no espaço da pesquisa do output (retrieval) a partir do input apresentado à rede (o conteúdo de informação de cada camada de matrizes é uma aproximação sucessiva, ou resumo, da próxima matriz da hierarquia). Na minha tese proponho um aperfeiçoamento do modelo que, graças à reorganização da informação armazenada, torna mais eficiente o modelo hierárquico existente na retrieval em termos de número de cálculos necessários, ao mesmo tempo que se consegue manter tão eficaz (em termos de erros no output). São apresentados resultados experimentais que apoiam o modelo criado e implementado, juntamente com comentários sobre eventuais aplicações., en=Several models for artificial neural networks are found in the literature to implement associative memories. We provide a uniform and comparative overview of some of them concerning their operation and performance, as well as biological aspects they might follow as inspiration. We focus particularly on the Hierarchical Memories' model of João Sacramento (2011, supervised by prof. Andreas Wichert), a multi-layered hierarchy of matrices based on Lernmatrix (Steinbuch's model, 1963), whose matrices act as selective filters for the retrieval path (the information content of each layer of matrices is a successive approximation of one another), and propose an optimized model that thanks to reorganizing the information stored, becomes more efficient (in terms of number of computations needed) in the retrieval, while remaining as effective as the mentioned model (in terms of errors). Collected experimental evidence backing our intuition is presented, together with comments on eventual applications.}
{pt=memórias associativas, redes neuronais, matriz de correlação, Learning matrix, memórias associativas hierárquicas, codificação esparsa, en=associative memories, neural networks, correlation matrix, Learning matrix, hierarchical associative memories, sparse code}

Maio 27, 2016, 10:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Andreas Miroslaus Wichert

Departamento de Engenharia Informática (DEI)

Professor Auxiliar