Waarom is dit belangrijk?
Onderzoekers konden netwerken pas goed trainen op lastige patronen in grote hoeveelheden voorbeelden, dankzij het gebruik van backpropagation. In de wetenschap steunt het onderzoek naar spraakherkenning, beeldherkenning en natuurlijke taal sindsdien op die training. Voor leerlingen en werknemers betekent dit hulpmiddelen die spraak en tekst verwerken, al stopt de training soms bij een mindere oplossing en fouten kunnen blijven staan.
Zo werkt het in de praktijk
Carnegie Mellon University trainde het netwerk ALVINN met backpropagation en testte het op de auto Navlab. Dat autoproject begon bij het publieke agentschap DARPA. Een team van Stanford University liet dezelfde methode draaien op een fotonische processor, een processor die met licht rekent.
Onderzoekers hebben voorgesteld dat backpropagation bepaalde signalen in het brein helpt verklaren. Zij bedoelen signalen die na een gebeurtenis in een taak ontstaan. Dit voorstel koppelt de leermethode aan hersenonderzoek.
Teams gebruiken backpropagation samen met stochastic gradient descent. Dat is een vaste rekenstap bij het trainen van een netwerk. Soms zit backpropagation als tussenstap in Adaptive Moment Estimation, kort Adam.




