Colloque

Apprentissage dans les réseaux asymétriques de neurones

Alex Friedmann

Cao Liem Nguyen

Membre a labase

Alex Friedmann

Résumé du colloque

Le présent exposé traite le problème d'apprentissage dans les réseaux de neurones, en fonction de leur nombre de noeuds et les modes d'interconnexion entre ces derniers. Les réseaux de neurones (Hopfield J. J., 1982) font l'objet depuis quelques années de nombreuses études. Les modèles neuronaux ont été appliqués avec succès dans le domaine de la reconnaissance des formes. Au plan théorique, plusieurs chercheurs ont étudié le problème d'apprentissage des réseaux, supposant un nombre infini de noeuds et un mode de couplage symétrique entre eux. Néanmoins, plusieurs réseaux réels, de processeurs ou de neurones biologiques, ont une taille limitée et de nombreux facteurs internes non-linéaires. Nous avons fait une étude de l'apprentissage des réseaux par simulation en fonction du nombre de noeuds et de leur mode d'interconnexion, symétrique ou asymétrique. Les résultats obtenus montrent que les réseaux asymétriques sont les plus rapides. En plus, pour l'apprentissage de type local et itératif, il existe un nombre optimal de noeuds pour un réseau donné. Quand ce dernier dépasse cette taille optimale, sa vitesse d'apprentissage diminue rapidement.