Wann sollten RBF-Netzwerke anstelle von mehrschichtigem Perzeptron verwendet werden?

7

Ich verstehe, dass ein neuronales Netzwerk mit radialer Basisfunktion (RBF) normalerweise eine verborgene Schicht hat und sich von einem mehrschichtigen Perzeptron (MLP) unter anderem durch seine Aktivierungs- und Kombinationsfunktionen unterscheidet, aber wie entscheide ich, wann ein Datensatz / Problem ist besser für einen RBF anstelle eines MLP geeignet? Muss ich jedes Mal beides ausprobieren und die Ergebnisse vergleichen?

machine-learning neural-networks perceptron rbf-network verwirrt00
quelle
1
Erstens hat RBF net nur eine versteckte Schicht. Haben Sie sich dieses Buch mif.vu.lt/~valdas/DNT/Literatura/Haykin09/Haykin09.pdf auf den Seiten 230-250 (über RBF-Netze) angesehen? In meinen Experimenten habe ich beide Netzwerke verglichen und ähnliche Ergebnisse erhalten.
404pio
@frankov Ich habe es mir und eine andere Ressource im Internet angesehen, und obwohl ich glaube, die architektonischen Unterschiede zwischen den beiden zu erkennen, ist mir nicht klar, wie ich anhand des Datensatzes erkennen kann, wann eine besser passen würde.
verwirrt00
Oder wenn nicht aus dem Datensatz selbst, vielleicht aus der Beschreibung des Problems, das ich zu lösen versuche.
verwirrt00

Antworten:

3

Sie können RBF-Netzwerke verwenden, wenn Sie nicht unbedingt mehrere versteckte Ebenen in Ihrem Modell haben müssen und, was noch wichtiger ist, möchten, dass Ihr Modell gegenüber widersprüchlichen Rauschen / Beispielen robust ist. Der Vorteil von RBF-Netzwerken besteht darin, dass sie Ihre Vorhersage wesentlich robuster machen. Wie bereits erwähnt, sind sie jedoch im Vergleich zu häufig verwendeten Arten neuronaler Netzwerke eingeschränkter. Häufig verwendete Arten von neuronalen Netzwerkmodellen sind jedoch sehr anfällig für kontroverses Rauschen und können sehr falsche Vorhersagen treffen, wenn sie mit Beispielen wie ihren Eingaben gespeist werden. Dies ist bei RBF-Netzen nicht der Fall, was anscheinend auf ihre nichtlineare Natur dieser Netze zurückzuführen ist. Es ist also ein Kompromiss zwischen einer höheren Genauigkeit in häufig verwendeten Typen neuronaler Netze oder einer höheren Robustheit in radialen Funktionsnetzen.

Quellen

Amir
quelle
1
Danke für deine Antwort. Erstens bin ich verwirrt, warum Sie es für notwendig gehalten haben, den Titel der Frage so zu ändern, dass etwas anderes gefragt wird. Meine Frage war (und ist) über MLP vs. RBF, nicht RBF vs. andere Netzwerke im Allgemeinen. Außerdem bin ich verwirrt, warum Ihre Bearbeitung akzeptiert wurde. Ist RBF robuster als insbesondere MLP? Ich konnte dies in den oben zitierten Quellen nicht finden. Ich weiß es zu schätzen, dass Sie sich die Zeit genommen haben, mir zu helfen, aber ich möchte lieber, dass Sie die Bedeutung der Frage nicht geändert und dann Ihre eigene Frage beantwortet haben.
verwirrt00
@ confused00 Nun, MLP ist eine Abkürzung für [tiefe] neuronale Netze und ich wollte die Frage nur allgemeiner und für zukünftige Leser leichter zu finden machen. Wenn Sie den letzten Teil des Dokuments "Erklären und Nutzen von gegnerischen Beispielen" lesen, werden Sie sehen, wie robust RBFs im Vergleich zu neuronalen Netzen mit häufig verwendeten Aktivierungsfunktionen sind.
Amir
@ confused00 Ich habe nach etwas anderem gesucht, aber [dieses] getroffen ( stats.stackexchange.com/a/97026/99612 ). Obwohl es etwas hilfreich sein könnte. Und bitte stimmen Sie meiner Antwort zu, wenn Sie sie nützlich fanden :)
Amir