Я вот сейчас возлагаю большие надежды на применение подхода ядерной ассоциативной памяти к обобщению модели Хопфилда со множественными задержками. В результате должно получиться распознавание последовательностей, что включает в себя естественным образом организованное контекстно-зависимое распознавание. Т.е. такого рода сети смогут обучаться контекстному распознаванию для более-менее любых входных данных.
Также, в сетях такого рода (обобщение Хопфилда, пока без ядер) были замечены гибридные отклики на гибридные входы - т.е. если у нас на входе что-то похожее не на одну последовательность, а на две, то есть шансы, что сеть это распознает как две последовательности одновременно.
Ансамбли таких сетей вероятно будут способны к структурному распознаванию.
Также, это все относится к классу сетей, обучающихся без учителя.
Т.е. в обозримой перспективе можно получить систему, которая, пронаблюдав некоторое время динамические данные, самостоятельно разобьет их на классы, будет способна модифицировать их в процессе работы, и будет производить на них контекстно-зависимое распознавание, с возможностью синтеза гибридных ответов.
Дай-то бог... а длительность задержек можно регулировать и обучать?
А потом, на мой взгляд, система д.б. структурирована, а не гомогенна.
Даже если она с разнообразными ОС и кучей аттракторов.
Поэтому у меня сильный скепсис по этому поводу...
Возможно, она ошибочна - но тогда предложите другое объяснение этого феномена!
