Neurális hálózatok valósághű reprezentációja

Krisztina Király; EKKE

Roland Király; Eszterházy Károly Katolikus Egyetem, Informatikai Kar

Sándor Király; EKKE IK

NETWORKSHOP

2025-10-25 09:17:16

Ebben a tanulmányban egy olyan modellt szeretnénk bemutatni, aminek a felhasználásával képesek vagyunk merőben új megközelítéssel neurális hálózatok létrehozására és megjelenítésére. A modell azok számára segít a hálózatok és a hozzájuk szorosan kapcsolódó mélytanuló algoritmusok megértésében és tanításában, akik nem szakértői az informatika tudományterületnek, lehetőséget kínálva a különböző szakterületek művelőinek, hogy munkájuk során alkalmazni tudják a neurális hálózatokat. Amennyiben a téziseink igazolást nyernek, a neurális hálók tanulási algoritmusait képesek leszünk összehasonlítani egyes emberi tanulási és nyelvtanulási stratégiákkal, ami segítheti a modell tökéletesítését, de segítségünkre lehet az emberi tanulási módszerek hatékonyabb megértésében és finomításában is. Realistic representation of neural networksIn this article, a novel neural network model is proposed, which facilitates the creation and representation of neural networks through a unique approach. The overarching objective of the model is twofold: firstly, to enhance the comprehension and dissemination of neural networks and their associated deep learning algorithms; and secondly, to provide practitioners across various disciplines with the opportunity to incorporate neural networks into their respective fields. In the event of the underlying theses being validated, a comparison may be drawn between the learning algorithms of neural networks and various human learning and language acquisition strategies. Such comparisons may contribute to enhancements of the model and to a deeper understanding of human learning processes. https://doi.org/10.31915/NWS.2025.1

magyar

Peer-reviewed Paper

http://ocs.mtak.hu/index.php/nws/2025/paper/view/187

NETWORKSHOP; Networkshop 2025

Authors who submit to this conference agree to the following terms:<br/> <strong>a)</strong>&nbsp;Authors retain copyright over their work, while allowing the conference to place this unpublished work under a <a href="http://creativecommons.org/licenses/by/3.0/">Creative Commons Attribution License</a>, which allows others to freely access, use, and share the work, with an acknowledgement of the work's authorship and its initial presentation at this conference.<br/> <strong>b)</strong>&nbsp;Authors are able to waive the terms of the CC license and enter into separate, additional contractual arrangements for the non-exclusive distribution and subsequent publication of this work (e.g., publish a revised version in a journal, post it to an institutional repository or publish it in a book), with an acknowledgement of its initial presentation at this conference.<br/> <strong>c)</strong>&nbsp;In addition, authors are encouraged to post and share their work online (e.g., in institutional repositories or on their website) at any point before and after the conference.