En alternativ spread jag experimenterade en del med idag men ej började något test av (den skars sig lätt med status-utskriften alt. har någon logik-defekt så det fick vänta) är något av samma koncept som första algoritmen i SOM: Spreading activation men verkande på den icke-linjära spreading activation komponenten (diskussion linjär och icke-linjär del av algoritmen utifrån PCA).
Har vi tämligen vältränade tillstånd men vill bibehålla eller expandera på i den ordnings-relaterade korrelation spreading activation ger är det mindre givet tycks för mig att vi för träningen bör ge större påverkan för vektorer mindre lika det vinnande tillståndet. Lokal påverkan i vinnande tillstånd och som jag först gjorde experiment algoritm här också för resp. tillstånd spreading activation verkar på sker normalt d.v.s. vi flyttar resp. tillstånd närmare vektor för resp. indata p.s.s. att vi flyttar mer desto större distansen är till det.
Men är tillstånden tämligen vältränade ska koncepten som uttrycker högre likhet med vinnande tillstånd normalt antingen uppvisa vad man spontant upplever som en mer semantisk, arketypisk, statistiskt-typisk representant och/eller motsvarande annat (beroende på hur vi nu väljer ut indata och vad det nu gör troligast resp. egentligen också men som man kan gömma i tänkande hur similarity-funktionen beräknas där i princip vad som helst konsekvent fungerar med SOM). Förvisso för att ej missa möjlighet att få tillstånden fortsatt tränade mot att framöver uppvisa mer arketypiskt - resp. för att få dem att uppvisa optimalt i samma mening som för K-means relativt träningstid resultat för klassificering - vill vi modifiera utifrån distansen men eftersom vi kommer få naturligt sämre arketyper också hamnande här såväl som mer av prospekterande tilldelningar som senare hamnar stabilt på annan plats resp. när längre grannskap används naturligt får blandat tillfälligt läckage från mer sannolikt närmare tillstånd och mindre så mer distanserade är det kanske av värde att ej låta dem inverka i spreading activation lika omfattande.
D.v.s. om indata koncept uttrycker högre likhet med tillståndet som vinner utnyttjar vi ett större grannskap än när likheten är mindre.
Tänker jag rätt får vi fortsatt (om jag tänkte rätt där också) en summering av ett antal distributioner för spridningen inkl. effekt just vinnande tillstånd som tillsammans när grannskaps-funktionen är konstant i funktion (samma situation samma värde) en normalfördelning (och ev. så även när vi modifierar från antal epoker).
Antagande är att arketypiska koncept är bättre att använda för att påverka korrelation mellan tillstånden. Och särskilt just bättre än mindre typiska koncept när avståndet till ett annat tillstånd är större. Jag vågar inte säga för mycket om i vilken utsträckning detta stämmer eftersom jag ej tittat än på testkörning men det tycks åtminstone givet att vi ej för normalanvändning på för-tränade tillstånd kommer vara i påverkande effekt sämre här.
Och om troligare bättre för denna påverkan är det beräkningsekonomiskt sundare att investera mer datortid. Medan vi annars får föga arketypiska koncept snabbt blir klara.
