स्व-संगठित मानचित्र

एक स्व-संगठित मानचित्र (एसओएम) या स्व-संगठित अभिलक्षण मानचित्र (SOFM) एक अनियंत्रित अधिगम की यंत्र अधिगम की प्रविधि है जिसका उपयोग आयामीता में कमी उत्पन्न करने के लिए किया जाता है। आंकड़े की सांस्थितिकी। उदाहरण के लिए, एक आंकड़े समुच्चय के साथ $$p$$ चर में मापा जाता है $$n$$ प्रेक्षणों को चरों के लिए समान मानों वाले प्रेक्षणों के समूहों के रूप में दर्शाया जा सकता है। इन समूहों को तब एक द्वि-आयामी मानचित्र के रूप में देखा जा सकता है, जैसे कि समीपस्थ समूहों में टिप्पणियों के दूरस्थ समूहों में टिप्पणियों की तुलना में अधिक समान मूल्य हैं। यह उच्च-आयामी आंकड़े को देखने और विश्लेषण करने में सरल बना सकता है।

एक एसओएम एक प्रकार का कृत्रिम तंत्रिका संजाल है परन्तु अन्य कृत्रिम तंत्रिका संजाल द्वारा उपयोग किए जाने वाले त्रुटि-सुधार अधिगम (उदाहरण के लिए, अनुप्रवण वंश के साथ backpropagation) के बजाय प्रतिस्पर्धी अधिगम का उपयोग करके प्रशिक्षित किया जाता है। एसओएम को 1980 के दशक में फिनलैंड के प्रोफेसर तेउवो कोहोनेन द्वारा प्रस्तुत किया गया था और इसलिए इसे कभी-कभी कोहोनेन मानचित्र या कोहोनेन संजाल कहा जाता है। कोहोनेन मानचित्र या संजाल 1970 के दशक से तंत्रिका तंत्र के जैविक प्रतिरूप पर एक अभिकलनीयतः सुविधाजनक अमूर्त इमारत है। और रूपजनन प्रतिरूप 1950 के दशक में एलन ट्यूरिंग के समय के हैं। एसओएम आंतरिक अभ्यावेदन बनाते हैं जो कॉर्टिकल होम्युनकुलस की याद दिलाते हैं, मानव शरीर का एक विकृत प्रतिनिधित्व, शरीर के विभिन्न भागों के लिए संवेदी प्रक्रियाओं को संसाधित करने के लिए समर्पित मानव मस्तिष्क के क्षेत्रों और अनुपातों के एक न्यूरोलॉजिकल मानचित्र पर आधारित है।



अवलोकन
स्व-संगठित मानचित्र, अधिकांश कृत्रिम तंत्रिका संजाल की तरह, दो अवस्था में कार्य करते हैं: प्रशिक्षण और मानचित्रण। सर्वप्रथम, प्रशिक्षण निविष्ट आंकड़े (मानचित्र स्थान) के निम्न-आयामी प्रतिनिधित्व को उत्पन्न करने के लिए एक निविष्ट आंकड़े समुच्चय (निविष्ट समष्टि) का उपयोग करता है। दूसरा, मानचित्रण जनरेट किए गए मानचित्र का उपयोग करके अतिरिक्त निविष्ट आंकड़े को वर्गीकृत करता है।

अधिकतर स्थितियों में, प्रशिक्षण का लक्ष्य दो आयामों वाले मानचित्र स्थान के रूप में p आयामों के साथ एक निविष्ट स्थान का प्रतिनिधित्व करना है। विशेष रूप से, p चर वाले एक निविष्ट स्थान को p आयाम कहा जाता है। एक मानचित्र स्थान में बिंदुओं या तंत्रिका कोशिका नामक घटक होते हैं, जो दो आयामों के साथ हेक्सागोनल या आयताकार जालक के रूप में व्यवस्थित होते हैं। विश्लेषण और खोजपूर्ण आंकड़े विश्लेषण के बड़े लक्ष्यों के आधार पर बिंदुओं की संख्या और उनकी व्यवस्था पहले से निर्दिष्ट है।

मानचित्र समष्टि में प्रत्येक बिंदु एक भार सदिश से जुड़ा होता है, जो निविष्ट समष्टि में बिंदु की स्थिति है। जबकि मानचित्र समष्टि में बिंदुओं स्थिर रहते हैं, प्रशिक्षण में मानचित्र समष्टि से प्रेरित सांस्थितिकी को खराब किए बिना निविष्ट आंकड़े (यूक्लिडीय दूरी जैसे दूरी मीट्रिक को कम करना) की ओर बढ़ने वाले भार वाले सदिश होते हैं। प्रशिक्षण के बाद, मानचित्र का उपयोग निविष्ट समष्टि सदिश के निकटतम भार सदिश (सबसे छोटी दूरी मीट्रिक) के साथ बिंदु को ढूंढकर निविष्ट समष्टि के लिए अतिरिक्त अवलोकनों को वर्गीकृत करने के लिए किया जा सकता है।

अधिगम कलन विधि
स्व-संगठित मानचित्र में अधिगम का लक्ष्य संजाल के विभिन्न भागों को कुछ निविष्ट प्रतिरूप के समान प्रतिक्रिया देने के लिए प्रेरित करना है। यह आंशिक रूप से इस बात से प्रेरित है कि मानव मस्तिष्क में सेरेब्रल कॉर्टेक्स के अलग-अलग भागों में दृश्य, श्रवण या अन्य संवेदी सूचना को कैसे नियंत्रित किया जाता है।

तंत्रिका कोशिका के भार को या तो छोटे यादृच्छिक मूल्यों के लिए आरंभ किया जाता है या दो सबसे बड़े प्रमुख घटक ईजेनसदिशों द्वारा फैलाए गए उप-स्थान से समान रूप से प्रतिरूप लिया जाता है। बाद वाले विकल्प के साथ, सीखना बहुत तीव्र है क्योंकि प्रारंभिक भार पहले से ही एसओएम भार का अच्छा अनुमान देते हैं। संजाल को बड़ी संख्या में उदाहरण सदिश खिलाए जाने चाहिए जो मानचित्रण के पर्यन्त अपेक्षित सदिशों के जितना समीप हो सके प्रतिनिधित्व करते हैं। उदाहरणों को सामान्यतः पुनरावृत्तियों के रूप में कई बार प्रशासित किया जाता है।

प्रशिक्षण प्रतिस्पर्धी अधिगम का उपयोग करता है। जब एक प्रशिक्षण उदाहरण संजाल को खिलाया जाता है, तो सभी भार सदिशों के लिए इसकी यूक्लिडीय दूरी की गणना की जाती है। तंत्रिका कोशिका जिसका भार सदिश निविष्ट के समान होता है, उसे सर्वश्रेष्ठ मिलान इकाई (बीएमयू) कहा जाता है। एसओएम जालक में बीएमयू और इसके समीप के तंत्रिका कोशिका के भार को निविष्ट सदिश की ओर समायोजित किया जाता है। परिवर्तन का परिमाण समय के साथ और बीएमयू से जालक-दूरी के साथ घटता जाता है। भार सदिश डब्ल्यू के साथ एक न्यूरॉन वी के लिए अद्यतन सूत्रv(स) है
 * $$W_{v}(s + 1) = W_{v}(s) + \theta(u, v, s) \cdot \alpha(s) \cdot (D(t) - W_{v}(s))$$,

जहाँ s चरण सूचकांक है, t प्रशिक्षण नमूना में एक सूचकांक है, u निविष्ट सदिश 'D'(t) के लिए BMU का सूचकांक है, α(s) एक नीरस रूप से घटता अधिगम का गुणांक है; θ(यू, वी, एस) निकटवर्ती फलन है जो चरण एस में न्यूरॉन यू और न्यूरॉन वी के मध्य की दूरी देता है। कार्यान्वयन के आधार पर, टी प्रशिक्षण आंकड़े समुच्चय को व्यवस्थित रूप से स्कैन कर सकता है (टी 0, 1, 2 ... टी -1 है, फिर दोहराएं, टी प्रशिक्षण नमूने का आकार है), आंकड़े समुच्चय (बूटस्ट्रैप प्रतिरूपकरण) से यादृच्छिक रूप से खींचा जा सकता है।, या कुछ अन्य प्रतिरूप विधि प्रयुक्त करें (जैसे कि पुन: प्रतिरूपकरण (सांख्यिकी)#Jackknife)।

निकटवर्ती फलन θ(यू, वी, एस) (पार्श्व संपर्क का कार्य भी कहा जाता है) बीएमयू (न्यूरॉन यू) और न्यूरॉन वी के मध्य जालक-दूरी पर निर्भर करता है। सरलतम रूप में, यह सभी तंत्रिका कोशिका के लिए 1 है जो काफी समीप है दूसरों के लिए बीएमयू और 0, परन्तु गाऊसी समारोह और मैक्सिकन टोपी तरंगिका|मैक्सिकन-हैट कार्य भी सामान्य विकल्प हैं। कार्यात्मक रूप के बावजूद, निकटवर्ती फलन समय के साथ सिकुड़ता है। प्रारंभ में जब प्रतिवैस व्यापक होता है, तो वैश्विक स्तर पर आत्म-संगठन होता है। जब आस-प्रतिवैस सिर्फ कुछ तंत्रिका कोशिका तक सिकुड़ गया है, तो भार स्थानीय अनुमानों में परिवर्तित हो रहे हैं। कुछ कार्यान्वयनों में, अधिगम का गुणांक α और निकटवर्ती फलन θ बढ़ते हुए s के साथ निरंतर घटता है, दूसरों में (विशेष रूप से जहां t प्रशिक्षण आंकड़े समुच्चय को अवलोकन करता है) वे प्रत्येक T चरणों में एक बार चरणबद्ध तरीके से घटते हैं।

यह प्रक्रिया प्रत्येक निविष्ट सदिश के लिए (सामान्यतः बड़ी) चक्रों की संख्या λ के लिए दोहराई जाती है। संजाल आउटपुट बिंदुओं को निविष्ट आंकड़े समुच्चय में समूह या प्रतिरूप के साथ जोड़ता है। यदि इन प्रतिरूपों को नाम दिया जा सकता है, तो प्रशिक्षित नेट में संबंधित बिंदुओं से नाम जोड़े जा सकते हैं।

मानचित्रण के पर्यन्त, एक एकल 'विजेता' न्यूरॉन होगा: न्यूरॉन जिसका भार सदिश निविष्ट सदिश के सबसे समीप होता है। यह केवल निविष्ट सदिश और भार सदिश के मध्य यूक्लिडीय दूरी की गणना करके निर्धारित किया जा सकता है।

इस आलेख में सदिश के रूप में निविष्ट आंकड़े का प्रतिनिधित्व करते समय जोर दिया गया है, किसी भी प्रकार की वस्तु जिसे डिजिटल रूप से प्रदर्शित किया जा सकता है, जिसके साथ उचित दूरी माप जुड़ा हुआ है, और जिसमें प्रशिक्षण के लिए आवश्यक संचालन संभव है, स्वयं का निर्माण करने के लिए उपयोग किया जा सकता है - आयोजन मानचित्र। इसमें मैट्रिसेस, निरंतर कार्य या यहां तक ​​कि अन्य स्व-आयोजन मानचित्र सम्मिलित हैं।

चर
बोल्ड में सदिश के साथ ये आवश्यक चर हैं,
 * $$s$$ वर्तमान पुनरावृत्ति है
 * $$\lambda$$ पुनरावृत्ति सीमा है
 * $$t$$ निविष्ट आंकड़े समुच्चय में लक्ष्य निविष्ट आंकड़े सदिश का सूचकांक है $$\mathbf{D}$$
 * $${D}(t)$$ एक लक्ष्य निविष्ट आंकड़े सदिश है
 * $$v$$ मानचित्र में बिंदु का सूचकांक है
 * $$\mathbf{W}_v$$ बिंदु का वर्तमान भार सदिश है $$v$$
 * $$u$$ मानचित्र में सर्वोत्तम मिलान इकाई (बीएमयू) का सूचकांक है
 * $$\theta (u, v, s)$$ बीएमयू से दूरी के कारण एक संयम है, जिसे सामान्यतः निकटवर्ती फलन कहा जाता है, और
 * $$\alpha (s)$$ पुनरावृत्ति प्रगति के कारण एक अधिगम का संयम है।

कलन विधि

 * 1) मानचित्र में बिंदु भार सदिश को रैंडमाइज करें
 * 2) बेतरतीब ढंग से एक निविष्ट सदिश चुनें $${D}(t)$$
 * 3) मानचित्र में प्रत्येक बिंदु को पार करें
 * 4) निविष्ट सदिश और मानचित्र के बिंदु के भार सदिश के  मध्य समानता खोजने के लिए यूक्लिडीय दूरी सूत्र का उपयोग करें
 * 5) सबसे छोटी दूरी की उत्पत्ति करने वाले बिंदु को ट्रैक करें (यह बिंदु सबसे अच्छी मिलान इकाई है, बीएमयू)
 * 6) निविष्ट सदिश के समीप खींचकर बीएमयू (स्वयं बीएमयू सहित) के प्रतिवैस में बिंदुओं के भार सदिश को अपडेट करें
 * 7) $$W_{v}(s + 1) = W_{v}(s) + \theta(u, v, s) \cdot \alpha(s) \cdot (D(t) - W_{v}(s))$$
 * 8) बढ़ोतरी $$s$$ और चरण 2 से दोहराएँ $$s < \lambda$$

वैकल्पिक एल्गोरिथ्म

 * 1) मानचित्र के बिंदुओं के भार सदिश को रैंडमाइज करें
 * 2) निविष्ट आंकड़े समुच्चय में प्रत्येक निविष्ट सदिश को ट्रैवर्स करें
 * 3) मानचित्र में प्रत्येक बिंदु को पार करें
 * 4) निविष्ट सदिश और मानचित्र के बिंदु के भार सदिश के  मध्य समानता खोजने के लिए यूक्लिडीय दूरी सूत्र का उपयोग करें
 * 5) उस बिंदु को ट्रैक करें जो सबसे छोटी दूरी की उत्पत्ति करता है (यह बिंदु सबसे अच्छी मिलान इकाई है, बीएमयू)
 * 6) निविष्ट सदिश के समीप खींचकर बीएमयू (स्वयं बीएमयू सहित) के प्रतिवैस में बिंदुओं को अपडेट करें
 * 7) $$W_{v}(s + 1) = W_{v}(s) + \theta(u, v, s) \cdot \alpha(s) \cdot (D(t) - W_{v}(s))$$
 * 8) बढ़ोतरी $$s$$ और चरण 2 से दोहराएँ $$s < \lambda$$

प्रारंभिक विकल्प
अंतिम भार के अच्छे सन्निकटन के रूप में प्रारंभिक भार का चयन स्व-संगठित मानचित्रों सहित कृत्रिम तंत्रिका संजाल के सभी पुनरावृत्त तरीकों के लिए एक प्रसिद्ध समस्या है। कोहोनेन ने मूल रूप से भार की यादृच्छिक दीक्षा प्रस्तावित की थी। (यह दृष्टिकोण ऊपर वर्णित कलन विधि द्वारा परिलक्षित होता है।) हाल ही में, प्रमुख घटक आरंभीकरण, जिसमें प्रारंभिक मानचित्र भार पहले प्रमुख घटकों के स्थान से चुने गए हैं, परिणामों की सटीक पुनरुत्पादन के कारण लोकप्रिय हो गए हैं। हालांकि, एक आयामी मानचित्र के लिए प्रमुख घटक आरंभीकरण के लिए यादृच्छिक आरंभीकरण की सावधानीपूर्वक तुलना, हालांकि, पाया गया कि प्रमुख घटक आरंभीकरण के लाभ सार्वभौमिक नहीं हैं। सर्वोत्तम आरंभीकरण विधि विशिष्ट आंकड़ेसमुच्चय की ज्यामिति पर निर्भर करती है। मुख्य घटक इनिशियलाइज़ेशन (एक-आयामी मानचित्र के लिए) बेहतर था, जब आंकड़ेसमुच्चय का अनुमान लगाने वाला मुख्य वक्र पहले मुख्य घटक (क्वासिलिनियर समुच्चय) पर एकतरफा और रैखिक रूप से प्रोजेक्ट किया जा सकता था। हालांकि, गैर-रैखिक आंकड़ेसमुच्चय के लिए, यादृच्छिक प्रारंभ ने बेहतर प्रदर्शन किया।

व्याख्या


एसओएम की व्याख्या करने के दो तरीके हैं। क्योंकि प्रशिक्षण चरण में पूरे प्रतिवैस के भार एक ही दिशा में चले जाते हैं, इसी तरह की वस्तुएं आसन्न तंत्रिका कोशिका को उत्तीव्रित करती हैं। इसलिए, एसओएम एक सिमेंटिक मानचित्र बनाता है जहां समान नमूनों को एक साथ समीप से मानचित्र किया जाता है और अलग-अलग लोगों को अलग किया जाता है। यह एसओएम के यू-आधात्री (निकटवर्ती कोशिकाओं के भार सदिश के मध्य यूक्लिडीय दूरी) द्वारा देखा जा सकता है। दूसरा तरीका यह है कि न्यूरोनल भार को निविष्ट समष्टि के पॉइंटर्स के रूप में सोचा जाए। वे प्रशिक्षण नमूनों के वितरण का असतत अनुमान लगाते हैं। अधिक तंत्रिका कोशिका उच्च प्रशिक्षण प्रतिरूप एकाग्रता वाले क्षेत्रों को इंगित करते हैं और कम जहां नमूने दुर्लभ हैं।

एसओएम को प्रधान घटक विश्लेषण (पीसीए) का एक अरैखिक सामान्यीकरण माना जा सकता है। यह कृत्रिम और वास्तविक भूभौतिकीय आंकड़े दोनों का उपयोग करके दिखाया गया है कि एसओएम के कई लाभ हैं अनुभभार्य लांबिक फलन (ईओएफ) या पीसीए जैसे पारंपरिक अभिलक्षण निष्कर्षण विधियों पर।

मूल रूप से, एसओएम को अनुकूलन समस्या के समाधान के रूप में तैयार नहीं किया गया था। फिर भी, एसओएम की परिभाषा को संशोधित करने और एक अनुकूलन समस्या तैयार करने के कई प्रयास किए गए हैं जो समान परिणाम देती हैं। उदाहरण के लिए, लोचदार मानचित्र लोच के यांत्रिक रूपक का उपयोग अनुमानित गैर-रैखिक आयामीता में कमी # प्रमुख घटता और कई गुना करने के लिए करते हैं: सादृश्य एक लोचदार झिल्ली और प्लेट है।

फिशर आईरिस फूल आंकड़े
एक पर विचार करें $n×m$ बिंदुओं की सरणी, जिनमें से प्रत्येक में भार सदिश होता है और सरणी में इसके स्थान से अवगत होता है। प्रत्येक भार सदिश बिंदु के निविष्ट सदिश के समान आयाम का होता है। भार शुरू में यादृच्छिक मूल्यों पर समुच्चय किया जा सकता है।

अब हमें मानचित्र को फीड करने के लिए निविष्ट की आवश्यकता है। रंगों को उनके लाल, हरे और नीले घटकों द्वारा दर्शाया जा सकता है। नतीजतन, हम नि: शुल्क मॉड्यूल # औपचारिक रैखिक संयोजनों की इकाई घन में सदिश के रूप में रंगों का प्रतिनिधित्व करेंगे। नि: शुल्क सदिश स्थान $ℝ$ आधार द्वारा उत्पन्न:
 * R = <255, 0, 0>
 * G = <0, 255, 0>
 * B = <0, 0, 255>

The diagram shown आंकड़े समुच्चय पर प्रशिक्षण के परिणामों की तुलना करता है
 * तीन रंग = [255, 0, 0], [0, 255, 0], [0, 0, 255]
 * आठ रंग = [0, 0, 0], [255, 0, 0], [0, 255, 0], [0, 0, 255], [255, 255, 0], [0, 255, 255], [255, 0, 255], [255, 255, 255]

और मूल चित्र। दोनों के मध्य आश्चर्यजनक समानता पर ध्यान दें।

इसी तरह प्रशिक्षण के बाद ए $40×40$ फिशर आइरिस पर 0.1 की अधिगम की दर के साथ 250 पुनरावृत्तियों के लिए तंत्रिका कोशिका का जालक, the map can already detect the main differences between species.

अन्य

 * परियोजना प्राथमिकता और चयन
 * बैंकिंग के साथ-साथ इंटरबैंक भुगतान व्यवसाय की जांच करना
 * तेल और गैस की खोज के लिए भूकंपीय विश्लेषण
 * विफलता मोड और प्रभाव विश्लेषण
 * बड़े आंकड़ेसमुच्चय में प्रतिनिधि आंकड़े ढूँढना
 * पारिस्थितिक समुदायों के लिए प्रतिनिधि प्रजातियां
 * ऊर्जा प्रणाली प्रतिरूप के लिए प्रतिनिधि दिन



विकल्प

 * जनरेटिव स्थलाकृतिक मानचित्र (जीटीएम) एसओएम का एक संभावित विकल्प है। इस अर्थ में कि GTM को स्पष्ट रूप से निविष्ट समष्टि से मानचित्र समष्टि तक एक सहज और निरंतर मानचित्रण की आवश्यकता होती है, यह सांस्थितिकी संरक्षित है। हालाँकि, व्यावहारिक अर्थ में, सामयिक संरक्षण के इस उपाय का अभाव है।
 * समय अनुकूली स्व-आयोजन मानचित्र (TAएसओएम) संजाल मूलभूत एसओएम का एक विस्तार है। TAएसओएम अनुकूली अधिगम की दरों और प्रतिवैस के कार्यों को नियोजित करता है। इसमें निविष्ट समष्टि के सोपानन, अंतरण और गर्दिश के लिए संजाल को अपरिवर्तनीय बनाने के लिए सोपानन पैरामीटर भी सम्मिलित है। अनुकूली गुच्छन, बहुस्तरीय देहली, निविष्ट समष्टि सन्निकटन और सक्रिय समोच्च मॉडलिंग सहित कई अनुप्रयोगों में TAएसओएम और इसके भिन्नरूप का उपयोग किया गया है। इसके अतिरिक्त, एक द्वि-चर ट्री TAएसओएम या BTAएसओएम, एक बाइनरी नेचुरल ट्री जैसा दिखता है, जिसमें TAएसओएम संजाल से बने बिंदुओं होते हैं, जहां इसके स्तरों की संख्या और इसके बिंदुओं की संख्या इसके पर्यावरण के अनुकूल होती है।
 * बढ़ता हुआ स्व-संगठित मानचित्र (Gएसओएम) स्व-संगठित मानचित्र का बढ़ता हुआ रूप है। जीएसओएम को एसओएम में उपयुक्त मानचित्र आकार की पहचान करने के मुद्दे को हल करने के लिए विकसित किया गया था। यह न्यूनतम संख्या में बिंदुओं (सामान्यतः चार) से शुरू होता है और एक अनुमानी के आधार पर सीमा पर नए बिंदुओं को बढ़ाता है। 'स्प्रेड फैक्टर' नामक मूल्य का उपयोग करके, आंकड़े विश्लेषक के पास जीएसओएम के विकास को नियंत्रित करने की क्षमता होती है।
 * लोचदार मानचित्र दृष्टिकोण तख़्ता प्रक्षेप से लोचदार ऊर्जा को कम करने का विचार उधार लेता है। अधिगम में, यह कम से कम वर्ग सन्निकटन त्रुटि के साथ द्विघात झुकने और खींचने वाली ऊर्जा के योग को कम करता है।
 * अनुरूप दृष्टिकोण  जो एक सतत सतह में जालक बिंदुओं के  मध्य प्रत्येक प्रशिक्षण नमूने को प्रक्षेपित करने के लिए अनुरूप मानचित्रण का उपयोग करता है। इस दृष्टिकोण में एक-से-एक चिकनी मानचित्रण संभव है।
 * उन्मुख और मापनीय मानचित्र (OS-Map) नेबरहुड फ़ंक्शन और विजेता चयन का सामान्यीकरण करता है। सजातीय गाऊसी प्रतिवैस फलन को आधात्री घातीय के साथ परिवर्तित कर दिया गया है। इस प्रकार कोई भी मानचित्र स्थान या आंकड़े स्थान में अभिविन्यास निर्दिष्ट कर सकता है। एसओएम का एक निश्चित पैमाना (=1) है, जिससे कि मानचित्र अवलोकन के क्षेत्र का इष्टतम वर्णन करते हैं। परन्तु कार्यक्षेत्र को दो बार या एन-फोल्ड में कवर करने वाले मानचित्र के बारे में क्या? इसमें सोपानन की अवधारणा सम्मिलित है। ओएस-मानचित्र पैमाने को एक सांख्यिकीय विवरण के रूप में मानता है कि मानचित्र में कितने सर्वोत्तम मिलान वाले बिंदुओं हैं।

यह भी देखें

 * गहन अधिगम
 * संकरित कोहोनेन स्व-आयोजन मानचित्र
 * सदिश परिमाणीकरण अधिगम
 * द्रव अवस्था यंत्र
 * नियोकॉग्निट्रोन
 * तंत्रिकीय वाष्प
 * विरल कूटलेखन
 * विरल वितरित स्मृति
 * सामयिक आंकड़े विश्लेषण