Aprendizaje Rápido en Redes de Unidades de Procesamiento Ajustadas Localmente

Proponemos una arquitectura de red que utiliza una única capa interna de unidades de procesamiento ajustadas localmente para aprender tanto tareas de clasificación como aproximaciones de funciones de valor real (Moody y Darken 1988). Consideramos entrenar tales redes de manera completamente supervisada, pero abandonamos este enfoque a favor de un método de aprendizaje híbrido más eficiente computacionalmente que combina aprendizaje autoorganizado y supervisado. Nuestras redes aprenden más rápido que el retropropagación por dos razones: las representaciones locales aseguran que solo unas pocas unidades respondan a cualquier entrada dada, reduciendo así la sobrecarga computacional, y las reglas de aprendizaje híbrido son lineales en lugar de no lineales, lo que lleva a una convergencia más rápida. A diferencia de muchos métodos existentes para el análisis de datos, nuestra arquitectura de red y las reglas de aprendizaje son verdaderamente adaptativas y, por lo tanto, son apropiadas para su uso en tiempo real.