Для решения сложных задач классификации в настоящее время используются методы глубокого обучения. Они включают в себя использование сотен или даже десятков слоев искусственных нейронов с множеством фильтров, которые являются обучаемыми параметрами, извлекающими определенные признаки. Например, первый слой сверточной нейросети ответственен за выявление признаков в ограниченной области изображения, а последующие слои работают с более крупными фрагментами изображения. Об этом пишет Lenta.ru
При обучении с учителем, вначале происходит шаг прямой связи, при котором определяется расстояние между текущими и желаемыми выходными данными для данного ввода, используя заданную функцию ошибок. Затем следует процедура обратного распространения ошибки, при которой значение расстояния передается от выходного слоя к входному, в результате чего обновляются веса, указывающие на силу связей между нейронами. Нейронные сети с многочисленными скрытыми слоями имеют сложную архитектуру, что обеспечивает эффективную оптимизацию обучения для решения сложных задач классификации.
Архитектура биологического мозга сильно отличается от глубоких нейронных сетей, так как он состоит всего из нескольких слоев с прямой связью. Один слой нейронов выполняет функцию свертки данных, полученных сетчаткой, для связывания их с вышележащими скрытыми слоями. Новое исследование показало, что использование неглубоких сетей с прямой связью может привести к достижению такого же уровня ошибок при решении сложных задач классификации, как в глубоком обучении. При этом потребуется меньшая вычислительная сложность. Однако для эффективной реализации неглубоких архитектур необходимо изменение свойств графических процессоров и будущих специализированных разработок, по мнению авторов.