Training artificial neural networks in a changing environment.

Warstwowe sieci neuronowe są powszechnie stosowane w zagadnieniach sztucznej inteligencji do prognozowania oraz automatycznej klasyfikacji. Nauczone rozpoznawać zadany zbiór danych, nie są jednak w stanie uwzględnić nowych informacji. Niniejsza praca skupia się na problemie nauczania w dynamicznie zmieniającym się środowisku, tzn. takim, które generuje nowe obserwacje w odstępach czasu. Aby lepiej zrozumieć naturę zmian, pojęcia "system" i "proces" posłużyły do opisania dwóch, fundamentalnie różnych klas środowisk - "stacjonarnych", w których nie następują zmiany parametrów systemu; oraz "niestacjonarnych", które ciągle ewoluują. W przypadku systemów stacjonarnych, elementarna teoria układów dynamicznych posłużyła do analizy metod naiwnego douczania, a także do próby przewidywania ich rezultatu. W toku prac okazało się jednak, że proponowane metody nie są wystarczające i zaproponowano metodę bardziej elastyczną - algorytm Dynaboost. Jest to nowa strategia łączenia modeli oparta na pojęciu "gęstości informacji", która mierzy stopień skupienia punktów danych, oraz ich homogeniczność. Równocześnie, nauczanie w niestacjonarnym środowisku okazało się być problemem skomplikowanym i wymagającym złożonych, obecnie nieznanych, algorytmów