ART

Las redes ART (Adaptive Resonance Theory – Teoría de la Resonancia Adaptativa) se desarrollan a partir del trabajo inicial de Stephen Grossberg titulado “neural network that self–organize[s] stable pattern recognition codes in real time, in response to arbitrary sequences of input patterns” y publicado en 1.976. Posteriormente Gail A. Carpenter apoya la continuidad, el desarrollo y la colaboración en publicaciones con Grossberg.

 

Gail Carpenter
Carpenter
Stephen Grossberg
Grossberg

La teoría describe una familia de redes neuronales auto organizadas que se fundamentan en la base cognitiva y neuronal de cómo el cerebro aprende de forma autónoma a categorizar, reconocer, predecir objetos y eventos en un entorno voluble.  Son capaces de agrupar secuencias arbitrarias de patrones de entrada en códigos de reconocimiento estables.

 

Se han desarrollado muchos tipos diferentes de redes ART con el objetivo de mejorar las capacidades de agrupamiento, a continuación distintos modelos en función de las mejoras que se han ido incorporando:

 

  • ART1 (1.976). Es la propuesta inicial que incorpora parte de la teoría ART. Es una red no supervisada capaz de autoorganizar (por agrupamiento) patrones binarios presentados en un orden arbitrario que forma grupos y categorías en función de la configuración y características de los patrones.
  • ART2 (1.987). Amplía las características de ART1 para admitir entradas continuas analógicas (valores reales) y propiedades autoorganizadas de reconocimiento de patrones.
  • ART2-A (1.990). Se desarrolla por Carpenter, Grossberg y David B. Rosen en el artículo «ART 2-A: An Adaptive Resonance Algorithm for Rapid Category Learning and Recognition» y como evolución de ART2. Obtienen una mejora de dos a tres órdenes de magnitud más rápida y logran una mejor tolerancia al ruido sin pérdida en la estabilidad del aprendizaje.
  • ART3 (1.990). Es distribuida y utiliza patrones analógicos.
  • ARTMAP. También es conocido como ART predictivo, es una arquitectura de red jerárquica que combina dos unidades ART-1 o ART-2 ligeramente modificadas en una estructura de aprendizaje supervisado, donde la primera unidad toma los datos de entrada y la segunda unidad toma los datos de salida correctos, luego se usa para hacer el mínimo ajuste posible en la primera unidad, para hacer la clasificación correcta. Es capaz de realizar una asociación entre los vectores de entrada de m-dimensiones y los vectores de salida n-dimensiones. Inicialmente se usó para aprender asociaciones entre vectores binarios de entrada y de salida.
  • Fuzzy ART (1.991). Es una generalización de ART1 que incorpora operaciones de lógica difusa, se origina a partir del trabajo de Carpenter, Grossberg y David B.Rosen publicado en 1.991 y titulado “Fuzzy ART: Fast Stable Learning and Categorization of Analog Patterns by an Adaptive Resonance System”. Una de sus deficiencias  pasa por ser muy sensible al ruido.
  • Fuzzy ARTMAP (1.991). Se origina a partir de la publicación, en 1.991, del artículo «Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps» de Carpenter, Grossberg, Markuzon, Reynolds y Rosen. La red utiliza ART con logica difusa mejorando los resultados anteriores.
  • SFAM (1.993). (Simplified Fuzzy ARTMAP). Se origina por el artículo de T. Kasuba titulado “Simplified Fuzzy ARTMAP” de 1.993, es una variante rápida y simplificada de Fuzzy ARTMAP. Suministrando entradas iguales a Fuzzy ARTMAP y SFAM se producen idénticas salidas.
  • LAPART (1.993) (Laterally Printed ART).  En 1.993 Michael J. Healy, Thomas P. Caudel y Scott D. G. Smith publican  «A Neural Architecture for Pattern Sequence Verification Through Inferencing» es una red de aprendizaje supervisado que une dos Fuzzy ART encadenadas que forman una secuencia predictiva.
  • Gauss ART –  ARTMAP (1.996).  Surge del artículo publicado por en 1.993 titulado «Gaussian ARTMAP: A Neural Network for Fast Incremental Learning of Noisy Multidimensional Maps». Se denominan de esta forma por la utilizanción de funciones de activación de Gauss y los cálculos basados ​​en la teoría de la probabilidad. Su aprendizaje es incremental supervisado de mapas multidimensionales analógicos En comparación con las versiones que incorporan lógica difusa, éstas son menos sensibles al ruido, pero la estabilidad de las representaciones aprendidas se reduce.
  • Hypersphere ART – ARTMAP (2.000). Es una red si/no supervisada que Georgios C. Anagnostopoulos y Michael Georgiopoulos publican en 2.010 con el  nombre de «Hypersphere ART and ARTMAP for Unsupervised and Supervised, Incremental Learning», se basa en los mismos principios de Fuzzy-ART-ARTMAP, por lo tanto, es una red que utiliza lógica difusa. No requiere que su entrada se normalice en el intervalo [0, 1].
  • TopoART (2.010). Marko Tscherepanow propone esta red en el artículo «TopoART: A Topology Learning Hierarchical ART Network», es una red no supervisada que combina lógica difusa, elementos de la teoría ART y de las redes auto organizadas.  Además, agrega un mecanismo de reducción de ruido.

 

 

 

Redes ART Evolución
Redes ART Evolución