Neural network 神经网络能根据不在其训练集中的模式预测结果吗

这听起来像是一个开放式的问题，我提前道歉。我知道神经网络可以根据训练数据集中发现的模式预测结果。神经网络能根据它没有观察到的模式预测结果吗。如果不是，那么应该使用什么样的算法来处理这样的问题。

大多数神经网络应用程序都是在监督学习的基础上运行的，这意味着算法会得到有关其性能的反馈。该算法利用反馈调整网络权值。这种调整最常见的机制是反向传播，但也有其他机制

训练集与训练信号。

你的问题提到了一个训练集。然而，神经网络需要反馈的事实并不一定意味着训练集的存在，这只是一种选择。有时可以直接从网络运行的环境中感知反馈

没有培训集的反馈示例：

（1） 想象一下，一个神经网络被训练成机器人平衡一根杆子。反馈可能来自加速度计数据，最终来自每个平衡任务的成功或失败

（2） 想象一下，一个神经网络被训练成光学识别字符。为此目的提供了大型培训集。但是，反馈也可能来自与人的表现或其他OCR技术输出的比较

然而，无论是否有训练集，仍然有训练信号。一般来说，在没有训练信号的情况下，神经网络在预测方面并不有效（但以后会有更多的研究）

Hebbian学习。

在没有训练信号的情况下，神经网络学习的起点是Hebbian学习。赫布的假设是：

当A细胞的轴突靠近B细胞时，B细胞就会兴奋或反复兴奋 或者持续参与燃烧，一些生长或代谢 改变发生在一个或两个单元格中，使得A的效率 其中一个发射B的细胞增加

互联网简略地将其概括为“一起发射的细胞，连接在一起。”如果你感兴趣，你可以看看林斯克和冯·德·马尔斯堡的作品。他们的研究涉及视觉皮层中自我组织的出现，主要是受生物学的推动

矢量量化。

即使训练信号不可用，也有一些算法可以生成对数据的有意义的洞察。这种洞察可能采取分类的形式，而不是预测。例如，一个算法可以将输入分成n个组，但它不能说任何特定组的成员比另一个组更好还是更差：只是它们不同而已。这被称为“聚类分析”。也许最成功的算法是矢量量化

在无监督学习中使用的一种常见方法是竞争学习。该算法不响应训练信号，而是在自身内部竞争以理解数据。这种策略的一个例子是赢家通吃，在这种策略中，最强的神经元被认为是最成功的

自组织功能图

回到神经网络，有一种在无监督学习下运行的神经网络算法来执行聚类分析。这是自组织特征图（SOFM），也称为Kohonen图。SOFM使用竞争学习来训练神经网络

图：维基百科的自组织地图。（归属：Denoir-使用我自己的软件，CC By-SA 3.0，）

在SOFM中，接近意味着相似性

---

回到问题上来，矢量量化和SOFM都不需要训练集或训练信号。即便如此，这些算法还是能够识别数据中的模式（见图）。

您提出的问题非常广泛且含糊不清，在我看来，没有一个真正的答案。这取决于网络的拓扑结构、数据的性质以及学习过程的执行方式。我认为你可以考虑不同的情况：

可以从学习数据集中的示例中推断出新模式：在这种情况下，您的网络能够识别新模式并正确分类。要理解这个问题，请尝试想象以下情况：您的数据有两个特性：价格和质量。在您的数据中，您有低价格-低质量、低价格-高质量、高价格-低质量模式的示例，但没有高价格-高质量的示例，您希望您的网络能够提供良好的结果。问题的答案是否可能取决于问题的性质。例如，如果价格是最重要的，您的网络可能会适当地鉴定新样品。但是如果模式更微妙，那么它可能是完全随机的。请注意，对于更微妙的模式，您还应该考虑您的网络从原始数据中提取的特征类型。例如，如果没有提供价格和质量特征，但它们可能是从其他数据推断出来的，则如果不需要它们来解决原始分类任务，则您的网络根本无法提取它们

新模式独立于原始数据集的模式：在这种情况下，我更希望您的网络在新数据上表现不佳

正如您所看到的，您的问题的答案并不简单，它取决于您的数据的性质和您想要解决的问题。出于同样的原因，我认为如果你想寻找不同的算法来管理你的任务，你需要详细说明你的问题。

Machine