Neural network 如何设计一个不进行输入分类的无监督神经网络？

我读过很多关于针对特定输出值工作的神经网络的书，但我没有看到无监督网络针对不太具体的目标进行优化（例如，最小化成本，但我们不知道理想值是什么样子）

让我们讨论一个具体的例子：

考虑到有轻微扭曲的情况：

• 虽然城市之间的旅行费用是固定的，但不能再作为投入的一部分。成本可以从外部子系统按需读取，并且仅在每个历元结束时在成本函数中可用
• 我们没有培训数据（我们不知道理想的解决方案是什么样的）

有人能提供解决这个问题的高级设计吗？我正在寻找类似的产品

我担心的是试图最小化相对于目标成本为零的成本函数，因为下降梯度将比已知理想解决方案时高得多。

好问题，Gili。 嗯，安最近几年确实受到了不合理的巨大“欢迎”。今天，如果某个新产品/流程/初创公司的宣传没有宣称其背后有人工智能或至少有一个神经网络，那么它就有点像流行媒体流中的气味。事实并非如此

经典的人工神经网络只不过是一个最小化器驱动的工具，它本身没有真正的智能，它只是在一粒

tanh（）

/

sigmoid（）

剂量的“类固醇”上遵循线性代数规则，用于附加非线性变换

你问一件事，那就是自我进化，这非常有趣 外部（延迟的事后奖励）的自适应反映需要一种方法来实现网络权重的自我实现。这是遗传启发系统（Koza等人）几十年来在进化计算系统中推广的东西

然而，最近有人认识到一些温和的尝试，试图在人工神经网络中促进某种琐碎的自我实现，增加了一个预期的（更好的“预连线”，c/f遗传启发的系统投机性多态性多个试验，具有后选择阶段，由“预定义的”最佳拟合度驱动）重新安排轴突重量和拓扑结构的过程——重新连接神经连接性（当然，在一种较低层次上/在一种更弱的效用（与非相关的）自我实现方式上——参考文献。此外，在更高的抽象层次上，马斯洛促进了需求层次）

在这一领域工作了几十年后，我敢说，人工神经网络工具（可以用“深度”（增加可能的内部状态的“表现力”（一旦在某种合理的

[PTIME，PSPACE]-

约束系统内可计算），而不是该思想的任何主要新涌现属性）或“卷积”的标签加以美化（核化变换有意模糊细节，以允许更好的数值（而非诺斯替派）“概括”）只是在代数上与一种装备精良的有限状态自动机的角色相联系，该自动机专门为寻找错误最少的答案而定制，给定一系列

[惩罚函数，到目前为止访问了部分经验经验]

--对之前已知的到目前为止收集的

{example:answer}

对观察到的经验片段进行了预调整。

ANN的答案可以告诉一个最小的错误（通过一个愚蠢的“代数硬连线信念的外推”，它严格地期望游戏规则没有改变），根据之前的

[惩罚函数，到目前为止访问了部分经验主义]

，但从未解释过为什么，也将永远如此（不知情，这不是借口，而是一个明确接受的事实，它不能在这个方向上做任何其他事情），“迷惑”你，给出“答案”（在做它时，最好是代数固定的）在这些变化或转变为另一种模式的情况下（参考（超）混沌系统的李雅普诺夫系数，所有复杂系统本质上都是…）：

• 惩罚函数

  修改（最小化者的规则正在改变游戏！）
• 观察到的

  体验

  （无论是看到越来越多的“正义”漂流，还是看到一个全新的

  {示例：答案}

  对的“品种”）

---

所以，是的，你可以重新表达一个愿景并生成进化神经网络， 但是要做到这一点，你就站在最边缘，那里没有工具，所以你首先要进入一个非常深的雪中

非常有趣，因为你定义了新的规则，但也非常苛刻，挑战了许多对手

暗示-你几乎无法使用任何“硬连线”的ANN工具包，因此，在你面前确实是一场处女雪&巨大的挑战，伙计

---

我个人的看法是，如果你试图用某种预制的抽象-[NeuralNetwork]-组件工厂来增强高性能进化计算工具，并且如果你的当代研究项目预算和

[PTIME，PSPACE]

-计算结构的性能封套允许——可能享受到进化驱动的适应能力增长的力量，这使得在不断增长的“知道如何保持最好的（活着）”群体中的少数优秀人才能够在相当广泛的多样性中生存下来

这的确是一个巨大的挑战

（即使你会欺骗自然之母——（我们还没有找到比李尔尼更好的大师。）