Los resultados del estudio están publicados en la revista Optical Memoryand Neural Networks.
En los sistemas de aprendizaje profundo se automatiza el propio proceso de selección y ajuste de las características. Es decir, la red sola determina y emplea los algoritmos más eficaces para la extracción jerárquica de las características. El aprendizaje profundo se caracteriza por utilizar muestreos amplios con ayuda de un único algoritmo optimizador. Los algoritmos típicos de optimización ajustan los parámetros de todas las operaciones, de forma simultánea, y evalúan eficazmente la influencia de cada uno de los parámetros de la red neuronal con la ayuda del método llamado de propagación inversa.
"La capacidad de las redes neuronales artificiales de aprender es su propiedad más intrigante", explica el catedrático del Instituto de Sistemas Cibernéticos de la MEPhI, Vladímir Golovkó. "Como los sistemas biológicos, las redes neuronales se modelan a sí mismas intentando alcanzar un mejor modelo de conducta".
Golovkó analizó la problemática y los principales paradigmas del aprendizaje profundo de máquinas y propuso un nuevo método de enseñanza para la máquina de Boltzmann.
Te puede interesar: El acelerador SuperKEKB promete desentrañar los secretos del universo
El científico demostró que la regla clásica de enseñanza de esta red neuronal es un caso particular del método propuesto por él.
No te lo pierdas: ¿Qué tecnología podría reemplazar a los ordenadores actuales en el futuro próximo?
Este método de aprendizaje profundo podrá ser muy útil en los buscadores de las redes neuronales que, según el autor, demostrarán una alta velocidad de búsqueda de imágenes relevantes.
Más aquí: La ciencia busca frenar el envejecimiento… y repartir felicidad
Estos estudios científicos se están aplicando con éxito en los ámbitos como visión por ordenador, reconocimiento del habla y bioinformática.