Weitere Eigenschaften neuronaler Netze

• zum Teil biologische Plausibilität: Neuronale Netze besitzen allein aufgrund der Parallelverarbeitung und verteilten Speicherung eine gewisse Nähe zum menschlichen Gehirn. Außerdem konnte man mit Hilfe neuronaler Netzsimulationen menschliches Verhalten oftmals sehr gut simulieren und aus ihnen weitere Hypothesen ableiten, die sich in der Folge beim Menschen empirisch bestätigen ließen. Allerdings wurden neuronale Netze auch hinsichtlich ihrer fehlenden biologischen Plausibilität kritisiert (siehe Seite "Probleme neuronaler Netze").

Die biologische Plausibilität zeigt sich in folgenden Eigenschaften:

• Toleranz gegenüber internen Schäden: Wie bereits erwähnt wird trotz innerer Schäden des neuronalen Netzes (z. B. durch das Absterben einzelner Neuronen oder Verbindungen zwischen Neuronen) oftmals dennoch der richtige Output produziert.
• Toleranz gegenüber externen Fehlern: Auch bei unvollständigem oder fehlerhaftem Input gelingt es dem neuronalen Netz häufig, den richtigen Output herzustellen.
• Generalisation / Kategorienbildung: Ähnliche Reize werden von den Netzen zur selben Reizgruppe kategorisiert. Auf das Problem der "Übergeneralisierung" wurde bereits hingewiesen.
• Output der zentralen Tendenz bzw. des Prototypen der Kategorie: Eine weitere Eigenschaft neuronaler Netze bezieht sich auf den gebildeten Output eines solchen Netzes. Dieses formt häufig bei mehreren gelernten Inputvektoren einen gemeinsamen Outputvektor aus, den man als Prototypen einer Kategorie auffassen kann. Auch dies ist eine für Menschen typische Eigenschaft.
• Inhaltsabruf (content addressability): Der Inhaltsabruf besagt, dass man für das Abrufen von Informationen dem Netz lediglich Inhalte präsentieren muss, die mit dem gesuchten Inhalt in Verbindung stehen. Beispielsweise kann es ausreichen, wenn man den Namen (an den man sich gerade nicht erinnert) einer Person in Erfahrung bringen will, sich das Aussehen, den Wohnort oder den Freundeskreis der Person zu vergegenwärtigen. Dieses Prinzip gilt für Menschen wie für neuronale Netze.

Darüber hinaus weisen künstliche neuronale Netze auf:

• hohe Lernfähigkeit: Neuronale Netze haben im Gegensatz zu vielen herkömmlichen statistischen Methoden keine Probleme auch Zusammenhänge nonlinearer Art oder Interaktionseffekte zwischen mehreren Variablen zu erfassen. Man spricht in diesem Zusammenhang auch vom Erlernen beliebiger (=arbiträrer) Abbildungen.
• große Anzahl an Freiheitsgraden: Grundsätzlich existieren zahlreiche Parameter, die die Arbeitsweise eines neuronalen Netzes beeinflussen können. Diese Variationsmöglichkeiten bedingen die hohe Lernfähigkeit und Erfassung nonlinearer Zusammenhänge neuronaler Netze mit. Dass diese große Anzahl an Freiheitsgraden auch Probleme mit sich bringt, zeigt die nächste Seite.