Self-Organizing Map

詳細

自己組織化マップ（SOM）または自己組織化機能マップ（SOFM）は、教師なし学習を使用して訓練され、入力空間の低次元（通常は2次元）の離散表現を生成する人工ニューラルネットワークの一種です。マップと呼ばれるトレーニングサンプル。自己組織化マップは、近隣関数を使用して入力空間のトポロジ特性を保持するという意味で、他の人工ニューラルネットワークとは異なります。これにより、SOMは、多次元スケーリングと同様に、高次元データの低次元ビューを視覚化するのに役立ちます。このモデルは、Teuvo Kohonenによって人工ニューラルネットワークとして最初に記述され、Kohonenマップとも呼ばれます。

ほとんどの人工ニ​​ューラルネットワークと同様に、SOMはトレーニングとマッピングの2つのモードで動作します。トレーニングでは、入力例を使用してマップを作成します。マッピングにより、新しい入力ベクトルが自動的に分類されます。自己組織化マップは、ノードまたはニューロンと呼ばれるコンポーネントで構成されます。各ノードには、入力データベクトルと同じ次元の重みベクトルとマップ空間内の位置が関連付けられています。ノードの通常の配置は、六角形または長方形のグリッドの規則的な間隔です。自己組織化マップは、高次元の入力スペースから低次元のマップスペースへのマッピングを記述します。データ空間からマップにベクトルを配置する手順は、まずデータ空間から取得したベクトルに最も近い重みベクトルを持つノードを見つけることです。最も近いノードが見つかると、データ空間から取得したベクトルの値が割り当てられます。

このタイプのネットワーク構造は、ノードが接続されていると視覚化されるフィードフォワードネットワークに関連するものと考えるのが一般的ですが、このタイプのアーキテクチャは配置と動機が根本的に異なります。