Part 1: Artificial neural network theory / Partie 1 : la théorie des réseaux neuronaux artificiels - Internal workings of feed-forward neural networks

摘要

This paper describes the authors' recent research on the theories about internal workings of feed-forward artificial neural networks (ANNs). Knowledge of the inner workings of ANNs progresses with the evolution of ANN modelling techniques. In the early stages, neural networks consisted of perceptrons and were easy to interpret. Since the emergence of backpropagation learning in the 1980s, ANN models have become much more complex. Even today, many users still consider ANN models as black-box type models. In this paper, a systematic approach is demonstrated to study the behaviours of ANN models in an attempt to open up the ANN "black box". The authors emphasise that feed-forward ANN models are functions, and use a graphical interpretation technique to open the ANN models and show the detailed activities of each inner component through several case studies. These studies include how the training process changes the internal components of an ANN model, how noise impacts the training process, and how the sensitivity of ANN models is affected by the training data. Key words: artificial neural network, ANN black box, artificial neuron, connection weight, activation function, knowledge extraction.Cet article décrit la recherche récente de l'auteur sur les théories du fonctionnement interne des réseaux neuronaux artificiels (RNA). L'évolution des techniques de modélisation RNA permet de faire progresser la connaissance sur le fonctionnement interne des RNA. Au début, les réseaux neuronaux consistaient en des perceptrons et ils étaient faciles à interpréter. Depuis l'émergence de l'apprentissage par rétropropagation dans les années 1980, les modèles RNA sont devenus beaucoup plus complexes. Encore aujourd'hui, plusieurs utilisateurs considèrent toujours les modèles RNA comme des modèles de boîte noire. Dans cet article, on démontre une approche systématique pour l'étude des comportements des modèles RNA dans une tentative d'ouvrir la « boîte noire » RNA. Les auteurs mettent l'emphase sur le fait que les modèles RNA sans rétroaction sont des fonctions et ils utilisent une technique d'interprétation graphique pour éclaircir les modèles RNA et montrer les activités détaillées de chaque composante interne grâce à l'étude de plusieurs cas. Ces études portent entre autres sur la manière dont le processus d'apprentissage change les composantes internes d'un modèle RNA, la manière dont le bruit impacte le processus d'apprentissage et la manière dont la sensibilité des modèles RNA est affectée par les données d'apprentissage. Mots clés : réseau neuronal artificiel (RNA), boîte noire RNA, neurone artificiel, poids des connexions, fonction d'activation, extraction des connaissances.[Traduit par la rédaction]