Künstliche neuronale Netze und Selbstorganisation

Rein, Ulrich

After a brief explanation of the working and typical architectures of artificial neural networks (ANN) considering supervised as well as unsupervised learning procedures fundamental qualities of self-organizing systems based on parallel distributed processing are described. The dependance of those qualities on the form of representation is discussed. Subsequently, features used in system theory to describe different types of systems as well as the term autopoiesis transfered from biology to social sciences by N. Luhmann are introduced. The question to be discussed at that point is in how far those features can be helpful to describe the working of ANN and in how far ANN are useful to illustrate the working of real life systems. Considering the working of parallel distributed processing, differences between self- organization in ANN and trivial or non-trivial machines as well as closed loop control are discussed. A basic definition of the term self-organization which comprises supervised and unsupervised learning is introduced. The definition gives an explanation for self-organization, which creates endogenous order as opposed to chaotic relations in the environment. Based on that, economic systems can be characterized either as self-organizing or as regulating. Self-organization in economic systems presupposes a certain amount of variability and stability of the relations which constitute a system. Finally, the economic model of rational decision making is considered. Self-organized parallel-distributed processing of knowledge gives an idea of neural information processing in the human mind. This suggests another kind of 'bounded rationality', which does not have to be characterized as irrational. The working of heurstics in decision making used e.g. to explain economic behavior in financial markets can be understood considering the distributed storage of knowledge which is part of parallel distributed processing. It is argued that it may not be sufficient if observed behavior originating from mental processes is identical with behavior deduced from a model of rational decision making. An approximation between both may be useful reflecting among others the principle of parallel distributed processing.

Künstliche Neuronale Netze (KNN) vermitteln einen Eindruck von den Funktionsprinzipien, die menschlicher Informationsverarbeitung auf neuronaler Ebene zugrunde liegen. In dieser Arbeit wird gefragt, inwieweit sich aus den Eigenschaften paralleler Informationsverarbeitung Erklärungsmöglichkeiten für unterschiedliche sozialwissenschaftliche Fragestellungen ableiten lassen. Nach einer kurzen Erklärung der Funktionsweise und typischer Netzwerkarchitekturen unter Berücksichtigung überwachter und unüberwachter Lernverfahren werden grundlegende Eigenschaften Künstlicher Neuronaler Netze und deren Abhängigkeit von der Art der Wissensrepräsentation erläutert. Daran anschließend werden systemtheoretische Kategorien u.a. von Maturana und Luhmann eingeführt. Hierbei steht die Frage im Vordergrund, ob KNN mittels dieser Kategorien beschreibbar sind und inwieweit KNN geeignet sind, reale Systeme abzubilden. Es folgt eine Analyse erkenntnistheoretischer Positionen, des ‚psychologischen Induktionsproblemes' (Popper) sowie der Variation und Bewährung von Wissen unter Bezugnahme auf die Wissensverarbeitung in KNN. Der Unterschied zwischen selbstorganisierten Systemen in Form von KNN und trivialen ebenso wie nicht-trivialen Maschinen sowie einfachen Regelkreisen wird diskutiert. Aus dem Vergleich ergibt sich eine Definition des Begriffes Selbstorganisation, die überwachtes ebenso wie unüberwachtes Lernen einschließt. Überträgt man diese Definition auf ökonomische (Teil-) Systeme, so können diese entweder durch den Aspekt der Regelung oder durch den Aspekt der Selbstorganisation beschrieben werden. Die Möglichkeit selbstorganisierter Veränderung setzt ein gewisses Maß an Stabilität und Anpassungsfähigkeit der Beziehungen innerhalb des Systems voraus. Selbstorganisation, wie sie in KNN modelliert wird, stellt eine Möglichkeit dar, die Entstehung endogener Ordnung in einer durch chaotische Beziehungen geprägten Umwelt zu erklären. Parallele Informationsverarbeitung legt in Bezug auf das ökonomische Verhaltensmodell eine andere Art ‚begrenzter Rationalität' nahe. Die Bedeutung von Heuristiken in der Entscheidungsfindung kann bspw. durch die verteilte Speicherung von Wissen als einem Element paralleler Informationsverarbeitung erklärt werden. Eine Berücksichtigung dieser Form begrenzter Rationalität im Rahmen ökonomischer Modellbildung ist insofern wünschenswert.

Auch im Buchhandel erhältlich: Künstliche neuronale Netze und Selbstorganisation / von Ulrich Rein. - Göttingen : Cuvillier Verlag Göttingen, 2010. - VII, 253 S. ISBN 978-3-86955-461-7

Zitieren

Zitierform:

Rein, Ulrich: Künstliche neuronale Netze und Selbstorganisation. 2010.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Grafik öffnen

Export