生长的神经气体是如何用于聚类的？

Question

我知道算法是如何工作的，但我不确定它是如何决定集群的。根据图像，我猜它可以看到所有由边缘连接的神经元都是一个簇。所以你可能会有两组神经元，每组都是相连的。但这是真的吗？

我也想知道..。GNG真的是一个神经网络吗？它没有传播函数、激活函数或加权边。这不是一个图表吗？我想这在一定程度上取决于个人的意见，但我想听听。

更新：

这篇论文www.booru.net/download/MasterThesisProj.pdf讨论GNG-聚类，在第11页你可以看到一个类似连接神经元簇的例子。但是，我也对迭代次数感到困惑。假设我有500个数据点要聚在一起。一旦我把它们全部放进去，我会删除它们并再次添加它们以适应现有的网络吗？我多久这么做一次？

我是说..。总有一天我得重新加起来.当添加一个新的神经元r时，两个老神经元之间的u和v之间，一些以前属于u的数据点现在应该属于r，因为它更近。但是该算法不包含改变这些数据点的赋值。即使我在一次迭代之后删除了它们并将它们全部加起来，那么第一次迭代的其余部分的错误分配改变了网络的处理，不是吗？

Answer 1

NG和GNG是一种自组织映射(SOM)，也称为Kohonen神经网络。

这些都是基于更古老，更广泛的观点中性网络，当他们仍然受到自然的启发，而不是驱动GPU的能力矩阵操作。那时，当你还没有大规模的SIMD架构的时候，让神经元自组织没有什么不好的，而不是在严格的层次中预先组织。

我不称它们为集群，尽管在相关工作中通常使用这个术语(ab-)。因为我看不出这些“星系团”有什么强烈的特性。

SOMs实际上是地图，就像地理上的地图一样。SOM是一组节点(“神经元”)，通常排列在一个二维矩形或六边形网格中。(=地图)然后对输入空间中的位置进行迭代优化以适应数据。因为他们影响他们的邻居，他们不能自由行动。想想看，把一张网包裹在树上，网子的结就是你的神经元。NG和GNG看起来非常相似，但节点的结构更加灵活。但实际上，SOM的一个很好的特性是您可以得到的2d映射。

我记得的唯一的聚类方法是将输入数据投影到SOM网格的离散2d空间，然后在这个投影上运行k-均值。它可能会正常工作(如:它的性能将类似于k-方式)，但我不相信它在理论上得到了很好的支持。