Rete neurale feed-forward: le reti con flusso in avanti

Le reti neurali feed-forward (FNN, in inglese “Feedforward Neural Network”) sono reti neurali semplici che trasmettono le informazioni solo da uno strato a quello immediatamente superiore. Si dividono in FFN a singolo strato e FFN multistrato e hanno diversi ambiti di applicazione nel campo del deep learning.

Che cos’è una rete neurale feed-forward (FNN)?

Una rete neurale feed-forward (FNN) è una rete neurale costituita da neuroni artificiali e che funziona del tutto senza connessioni di feedback. Questo tipo di rete è considerato una forma particolarmente semplice di rete neurale artificiale in quanto opera sempre ed esclusivamente con flusso in avanti. Le reti neurali feed-forward profonde sono un componente importante nella creazione di modelli nel settore del deep learning e dell’intelligenza artificiale. A seconda del numero di strati (in inglese, “layer”) utilizzati si distingue tra FFN a singolo strato e FFN multistrato.

Come funziona una rete neurale feed-forward?

Un esempio definitivo di rete neurale feed-forward, come per ogni rete neurale artificiale, è il cervello umano. Anch’esso elabora le informazioni attraverso una rete composta da neuroni. La FNN è dotata inoltre di almeno due strati: uno strato di ingresso (“input layer”) e uno strato di uscita (“output layer”). Nel mezzo può trovarsi un numero qualsiasi di strati aggiuntivi (“hidden layer”). Ogni strato è quindi collegato esclusivamente allo strato successivo. Queste connessioni sono costituite dai cosiddetti bordi. In una rete neurale feed-forward tutte le informazioni scorrono in una sola direzione, ossia dallo strato di ingresso allo strato di uscita.

• Input layer: lo strato di ingresso riceve tutti i dati che vengono immessi nella rete neurale feed-forward. Ogni neurone di questo strato corrisponde a una proprietà dei dati in ingresso.
• Hidden layer: fra gli strati di ingresso e di uscita potrebbero essere presenti degli strati nascosti. Ciascuno di questi strati è costituito da diversi neuroni collegati sia allo strato di ingresso che a quello di uscita.
• Output layer: dallo strato di uscita o di output esce il risultato finale della rete neurale feed-forward.

Nello strato di ingresso di una rete neurale feed-forward ha luogo l’inserimento di diversi input. I neuroni di questo strato acquisiscono e ponderano le informazioni. Successivamente, nel caso di una FFN a singolo strato, i neuroni trasmettono le informazioni allo strato di uscita oppure, in una FFN multistrato, le inviano prima agli strati nascosti. Le informazioni che entrano nell’area di questi hidden layer vengono nuovamente ponderate. Questi strati sono detti “nascosti” proprio perché questa elaborazione non è visibile. Infine, i neuroni dello strato di uscita emettono le informazioni elaborate come risultato.

Close

Durante l’intero processo, le varie informazioni ponderate si sommano a ogni passaggio. Per stabilire se un neurone deve inoltrare un’informazione oppure no, si prende in considerazione un valore soglia. Di norma questo valore è zero. In una rete neurale feed-forward non sono presenti bordi che procedono all’indietro fra i diversi strati. Una connessione è sempre e solo rivolta verso lo strato immediatamente superiore.

Quali sono i principali campi di applicazione?

Sono numerose le possibili applicazioni delle reti neurali feed-forward. Queste reti offrono numerosi vantaggi, soprattutto quando è necessario elaborare e collegare grandi quantità di dati non strutturati. Alcuni campi di applicazione possibili sono i seguenti:

• Riconoscimento ed elaborazione vocale: le reti neurali feed-forward possono essere utilizzate per la conversione da testi scritti a orali oppure per convertire la lingua parlata in testo scritto.
• Riconoscimento ed elaborazione di immagini: è possibile analizzare le immagini e identificare determinate caratteristiche. Ad esempio, è possibile digitalizzare gli appunti scritti a mano.
• Classificazione: una rete neurale feed-forward permette di classificare i dati in base a parametri specifici.
• Previsioni: le reti neurali con flusso in avanti sono utili anche per prevedere eventi o tendenze con una buona precisione. Tra le altre possibilità, sono utilizzate per le previsioni meteorologiche o in vari sistemi di allerta rapida nei settori della protezione contro le catastrofi, nell’astronautica e nella difesa.
• Rilevamento delle frodi: le reti neurali feed-forward possono svolgere un ruolo importante anche nell’identificazione di attività o modelli fraudolenti.

Quali sono le differenze rispetto a una rete neurale ricorrente (RNN, Recurrent Neural Network)?

L’opposto delle reti neurali feed-forward è rappresentato dalle reti neurali ricorrenti (RNN). Queste reti funzionano in modo sostanzialmente simile alle reti neurali feed-forward e trasmettono le informazioni attraverso i neuroni dallo strato iniziale a quello finale, ma sono anche in grado di rimandarle indietro. Pertanto, in una rete di questo tipo, le connessioni sono strutturate in modo da permettere alle informazioni di attraversare gli strati all’indietro e quindi nuovamente in avanti. La rete dispone quindi di cicli di feedback in cui è possibile memorizzare le informazioni.

Le reti di questo tipo sono utilizzate soprattutto quando il contesto è importante per la determinazione dei risultati. Questa possibilità è particolarmente utile per l’elaborazione dei testi: ad esempio, un’ala può essere una parte del corpo di un uccello o di un edificio. Solo il contesto può permettere di determinarne il significato corretto. Le reti neurali feed-forward, invece, non dispongono di questa possibilità di memorizzazione.