Fall
auf
![sum
CE = ln(1- onK).
n](../DissDruck12210x.png) | (10.12) |
Der
-Wert für das Komparatorneuron berechnet sich dann als
![n @CE--- n
dk = @netK = oK.](../DissDruck12211x.png) | (10.13) |
Durch diese Methode des Trainings wird näherungsweise die Anzahl der Fehlklassifikationen
statt des Fehlerbetrags der einzelnen Beispiele verringert. Dies sollte unter der
Voraussetzung, daß die Fehlerwerte nicht zuverlässig sind, bessere Ergebnisse liefern, was
sich bezüglich der Generalisierung allerdings nur teilweise empirisch bestätigt
hat.2
10.2.4. Trainieren von Teilnetzen
Das ISSM ermöglicht, für unterschiedliche Anwendungen verschiedene Neuronen
desselben Netzes als Ausgabeneuronen zu verwenden, z.B. wenn man nur die
Segmentierungskomponente verwenden will. Wenn man nicht nur für die Auswertung
sondern auch für das Training ein Netz für verschiedene Typen von Aufgaben verwenden
will, muß das Training entsprechend definiert werden. Dies ist insbesondere nötig, um
die Bewertung der Notenzuordnung zu trainieren. Die Notenzuordnung wird für jede
Motivzuordnung einzeln bewertet, und der Teil des Netzes, der die Bewertung der
Notenzuordnung berechnet, muß einzeln trainiert werden.
Dies ist möglich, denn bei Backpropagation werden ausgehend vom Ausgabeneuron
nur die Neuronen erreicht, von denen eine direkte oder indirekte Verbindung zum
Ausgabeneuron führt. Nur die Gewichte dieser Neuronen werden verändert, alle anderen
Gewichte bleiben unverändert. Dabei muß die Konsistenz des Teilnetzes für die
Notenzuordnung mit der Gesamtbewertung erhalten bleiben. Sonst wird evtl. eine
Interpretation, die gut bewertet wird, vom System nicht ausgewählt, weil eine der
Notenzuordnungen nicht die beste Bewertung erhält. D.h. die Gesamtbewertung als
Funktion der Notenzuordnungsbewertung muß monoton steigend sein. Dies wird dadurch
gewährleistet, daß die Gewichte aller Bewertungen, die vom Neuron für die Bewertung
der Notenzuordnung GGroupQual zum Ausgabeneuron CIntrQual führen, als
nichtnegativ fixiert werden.
Es ist psychologisch plausibel, ein Netz für die verschiedenen Anwendungsfälle zu
verwenden, denn die grundlegenden Eigenschaften der Wahrnehmung, die hier modelliert
werden, bleiben auch bei verschiedenen Klängen oder Aufgaben weitgehend
konstant. Auch wenn Aufmerksamkeit und andere veränderliche Faktoren die
Wahrnehmung beeinflussen, so ändern sich doch die grundlegenden Eigenschaften
der auditiven Wahrnehmung nicht. Es ist daher ein Vorteil dieses Modells,
daß einzelne Aspekte modelliert werden können und die Trainingsergebnisse
in eine andere Anwendung mit zusätzlichen Parametern eingebracht werden
können.