結論

本研究では、個々のニューロンが自身の内部状態により結合荷重を変化させるかどう かの判定をし、追加学習を行なう逐次学習法を用いた。まず、逐次学習法を用いていくつ かのパターンを継続的に学習させたネットワークを用意した。そして、そのネットワー クに学習させたパターンに近いパターンを入力したときに引き込み領域がどのように変 化するかを調べた。 ネットワークに学習させるランダムパターンの数を増やしていったときの引き込み領 域の変化は、入力パターンの反転したビット数が少ない時には、学習させたパターン全て を引き込めていることが確かめられた。しかし、反転ビット数を多くしていくとだんだ ん引き込めるパターン数が少なくなり、やがて 1 パターンも引き込めなくなる様子が確 認できた。入力パターンの反転したビット数を多くしていったときに学習させたパター ン全てを引き込めている範囲に着目した。その中で反転ビット数が最大の値を引き込み 半径と定義した。引き込み半径は、どの素子数においても学習させるパターンが増える に従って、小さくなっていくということが確かめられた。 この特徴は、素子数の数を変化させる、ランダムパターンの２値の比率を変える、と いう様々な条件でも同様の性質が見られることが確認された。 しかし、実験の学習の際に用いたランダムパターンを特定のものを使用していたため、如何なるパターンを入力したとしても同様の性質が得られるとは言い難い。そこで、ランダムパターンに使用する乱数の種を変えた時の引き込み半径の減少傾向を調べた。乱数の種を変えて引き込み半径を調べてみても、従来のパターンの時とほぼ同様の減少傾向が見られた。

逐次学習法では、使用するランダムパターンの比率によって学習に影響を及ぼすが、引き込み半径についてはそれほど影響を受けないことがわかった。また、乱数の種を用いたランダムパターンにおいても引き込み半径が同様の減少傾向を示したことから、逐次学習法を用いた時の引き込み半径は学習させたパターンが多くなるにつれてだんだん減っていくことがわかった。 今後は、このような逐次学習法の振る舞いを用いて、逐次学習法を応用させていく必要がある。