Una forma común de tratar con las redes y su evolución es a través del concepto de teoría de grafos (teoría de grafos). Al modelar neuronas individuales como nodos y sus conexiones como bordes, puede ver algunos de los comportamientos de estas redes.
Si está tratando de probar alguna teoría de que algunas conexiones se fortalecen mientras que otras se debilitan con el tiempo, puede tener cada borde con un peso cambiante asociado. Esta red se convierte en un gráfico ponderado (página en Wolfram) que puede analizarse con algunos algoritmos informáticos estándar.
Algunos algoritmos utilizados en gráficos incluyen:
- ¿Cuáles son algunas buenas ideas para proyectos de aprendizaje automático? Yo uso Python
- Quiero cambiar mi flujo de .NET a Big Data o Machine Learning. ¿Como empiezo?
- ¿Cuáles son algunos ejemplos de traducción horrible, realizada por máquina / software?
- ¿Cuál es la mejor manera de normalizar los datos implícitos para un sistema de recomendación de música mediante el filtrado colaborativo?
- Intuitivamente, ¿cómo funcionan los multiplicadores de Lagrange en SVM?
Breadth First Search (BFS) y Depth First Search (DFS): Intenta ver qué nodos son accesibles desde un nodo inicial dado
Algoritmos de Djikstra y Bellman-Ford: Encontrar los caminos más cortos entre nodos.
Además, el Problema del vendedor ambulante (TSP) es un lugar común donde se utilizan gráficos ponderados, donde tenemos nodos correspondientes a ciudades y bordes correspondientes a carreteras, y queremos encontrar cuál es la forma más rápida de visitar todas las ciudades exactamente una vez. Del mismo modo, si queremos modelar información / flujo eléctrico sobre una secuencia de neuronas, entonces podemos usar los mismos enfoques que el TSP.
Entonces, en general, ¡creo que una gran cantidad de herramientas en Graph Theory se pueden usar para modelar y analizar el comportamiento de las redes neuronales!
