Diplomarbeit von Michael Schindler

12 Einleitung
kann, insbesondere, wie es ohne zusätzliche Modellannahmen auskommt, wird in Kapitel
4 besprochen.
E.4 Gliederung der Arbeit
Kapitel 1 beschäftigt sich mit denjenigen Eigenschaften des multivar-Algorithmus, die
für die vorliegende Arbeit relevant sind. In Abschnitt 1.1 werden zunächst seine mathematischen
Eigenschaften benannt, die ihn zum Maximum-likelihood-Dichteschätzer
und Clusteringalgorithmus machen. In Abschnitt 1.2 wird dann die Interpretation des
Algorithmus und der zugehörigen Netzwerkstruktur in biologischem Kontext vorgenommen.
Die im Algorithmus verwendeten Begriffe, die vorher nur als mathematische
Objekte definiert werden, sollen mit einem physiologienahen Hintergrund belegt werden,
auch um ihnen die nötige Anschaulichkeit zu geben. Neben den Begriffen werden
die Näherungen erläutert, die der neuronalen Modellbildung zugrundeliegen. Dadurch
soll einigermaßen klar werden, welche Aspekte der biologischen Reizverarbeitung relativ
detailliert simuliert und welche nur grob approximiert werden.
Die Charakterisierung des on-line Lernproblems anhand des Clusteringprozesses wird
in Kapitel 2 vorgenommen. Sie wird zunächst an zwei Beispielen vorgeführt, und
danach durch die analytische Behandlung von Spezialfällen genauer gefasst. Die Untersuchungen
zeigen, dass sowohl die räumlichen als auch die zeitlichen Skalen der
Mittelwertsbildung im multivar-Algorithmus zu diesem Effekt beitragen. Wie stark
sich beide Skalen dabei gegenseitig beeinflussen, ist in Abschnitt 2.3 beschrieben.
Kapitel 4 führt das Prinzip des selbstreferentiellen Lernens ein, bei dem anhand des
aktuellen Netzwerkzustands entschieden wird, ob und wie stark ein Datenpunkt in
den Lernprozess eingehen soll. Das gewählte Prinzip ist, wie oben erwähnt, durch
den Gewöhnungs- und Sensitivierungsprozess des Kiemenreflexes der Meeresschnecke
Aplysia californica inspiriert, der in Kapitel 3 erklärt wird. Selbstreferentielles Lernen
stellt einen möglichen Ansatz dar, die Probleme beim on-line Lernen zu vermeiden. Es
wird hier anhand des ANTS (Algorithm for Neural Timescale Separation) vorgeführt,
der eine Modifikation des multivar-Algorithmus ist. Seine Eigenschaften werden in
Abschnitt 4.2 erklärt und in Appendix C bewiesen.