如何使用增長的神經氣體進行聚類？

Question

我知道算法是如何工作的，但我不確定它是如何確定集羣的。基於圖像，我猜測它將所有通過邊緣連接的神經元視爲一個集羣。這樣你可能會有兩組兩組神經元，每組都連接在一起。但是，真的嗎？

我也想知道.. GNG真的是一個神經網絡嗎？它沒有傳播函數或激活函數或加權邊..不是隻是一個圖嗎？我想這取決於個人意見，但我想聽聽他們。

UPDATE：與GNG聚類和11頁上，你可以看到的是什麼樣子連接神經元集羣爲例

本文www.booru.net/download/MasterThesisProj.pdf交易。但是，我也對迭代次數感到困惑。假設我有500個數據點要集羣。一旦我把它們全部放入，我是否刪除它們並再次添加它們以適應現有網絡？我多久會這樣做？

我的意思是..我必須在某些時候重新添加它們..當在兩個舊神經元u和v之間添加一個新神經元r時，之前屬於您的某些數據點現在應屬於r，因爲它更接近。但算法不包含更改這些數據點的分配。即使我在一次迭代後刪除它們並再次添加它們，那麼對於第一次迭代的其餘部分而言，錯誤地分配點會改變網絡的處理過程嗎？

Answer 1

NG和GNG是自組織映射（SOM）的一種形式，也稱爲「Kohonen神經網絡」。

當他們仍然受到大自然的啓發，而不是被矩陣運算的GPU能力所驅動時，這些都是基於對中性網絡的更老的，更廣泛的觀點。那時候，當你還沒有大規模SIMD體系結構時，神經元自組織而不是嚴格層次的預組織並沒有什麼不好。

雖然該術語在相關工作中常用（ab-），但我不會稱之爲聚類。因爲我沒有看到這些「集羣」的強大動力。

SOM字面上是地圖在地理上。 SOM是一組節點（「神經元」），通常排列在2d矩形或六邊形網格中。 （=地圖）。然後迭代地對輸入空間中的位置進行優化以適合數據。因爲他們影響他們的鄰居，他們不能自由活動。想想圍繞一棵樹包上網;網的結是你的神經元。 NG和GNG似乎很相似，但節點結構更加靈活。但實際上SOM的一個不錯的屬性是你可以得到的2D地圖。

我記得聚類的唯一方法是將輸入數據投影到SOM網格的離散2d空間，然後在此投影上運行k-means。它可能會工作得很好（如：它的表現會類似於k-means），但我不相信它在理論上得到很好的支持。