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.