Waarom is dit belangrijk?
Dankzij backpropagation through structure kunnen computers leren van gegevens waarvan de delen onderling samenhangen en in aantal kunnen verschillen. In de wetenschap gebruiken onderzoekers de methode in de bio-informatica om eiwitvormen en DNA-netwerken te herkennen. Studenten en onderzoekers komen zulke modellen tegen in de levenswetenschappen, al lukt de training soms moeizaam en kost die veel rekenkracht door de complexe berekening.
Zo werkt het in de praktijk
In de deeltjesfysica trainen onderzoekers van DESY en New York University netwerken met backpropagation through structure. Het model volgt de boom van een jet uit een gesimuleerde botsing. Zo onderscheidt het een W-boson van andere jets.
Voor zinsontleding berekenen taalonderzoekers de gradiënt met backpropagation through structure. Het netwerk doorloopt de boom van een zin. Onderzoekers gebruiken die trainingsstap ook bij het ontleden van scènes in beelden.
Teams koppelen backpropagation through structure aan stochastic gradient descent. Dat is een werkwijze die de gewichten in kleine stappen bijstuurt. De methode is een variant van backpropagation through time voor reeksen in de tijd.




