진화방식에 의해 개발된 모듈형 신경망의 기능분석 = Behavioral Analysis of Modular Neural Networks developed by Evolutionary Mechanism

다국어 초록 (Multilingual Abstract)

Evolutionary algorithm has recently shown a great possibility to determine the optimal structure of neural networks, but most approaches are based on the simple node to evolve. In order to facilitate more powerful neural networks, this paper proposes another evolutionary method to develop neural networks based on modules, and shows the potential of the method by analyzing the behaviors of the modular neural networks obtained by evolution. The presented model might not only grow and evolve its own structure autonomously but also develop the cooperative functionality spontaneously. In the simulation of categorizing simple handwritten digits, we can observe that sophisticated network architectures as well as functional subsystems emerge from an initial set of randomly-connected networks. The performance itself is not comparable to practical pattern recognizers such as multilayer perceptrons and hidden Markov models, but the model can be thought of as combining connectionism and symbolic processing in terms of the functionality of each module.

국문 초록 (Abstract)

최근에 진화방식이 신경망의 구조를 최적으로 결정하는데 가능성이 큰 방법으로 등장하고 있지만, 이제까지 제안된 대부분의 방법들은 단순기능의 노드를 기반으로 하고 있다는 제한이 있다. 본 논문에서는 좀더 풍부한 기능의 구현을 위하여 모듈단위를 기반으로 신경망을 구축하는 진화방식을 제안하고, 진화과정에서 얻어진 모듈형 신경망의 기능을 분석함으로써 제안한 방법의 유용성을 보이고자 한다. 여기에서 제시하는 모델은 자발적으로 새로운 구조를 만들어낼 뿐만 아니라 상호협조적인 기능도 유도해내는 특성이 있다. 간단한 필기숫자 패턴을 분류하는 과제에 적용한 결과, 초기에 임의로 연결된 일련의 네트워크 집단으로부터 정교한 모듈구조는 물론이고 기능적인 부시스템이 구축되는 것을 볼 수 있었다. 패턴분류 자체의 성능면에서는 다층 퍼셉트론이나 은닉 마르코프 모델과 같은 실용적인 패턴인식기에 비해 다소 떨어지지만, 각 모듈의 기능을 기호화할 수 있다는 점에서 기호처리와 연결주의를 통합할 수 있는 모델로 가능성이 있다고 하겠다.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 관련연구
• 3. 진화형 신경망
• 4. 실험결과
• 5. 결론
• 참고문헌
• 저자소개