Konnektionistische Modelle sind rechnerische Paradigmen, die kognitive Prozesse durch Netzwerke von einfachen, parallel arbeitenden Einheiten modellieren, deren Verbindungen durch gewichtete Kanten dargestellt werden.
Formell lässt sich ein konnektionistisches Modell als gerichteter Graph \( G = (V, E) \) mit Knoten \( V \) und gewichteten Kanten \( E \subseteq V imes V \) beschreiben, wobei jeder Knoten eine Aktivierungsfunktion \( f: \mathbb{R} ightarrow \mathbb{R} \) besitzt.
Die Zustandsaktualisierung erfolgt typischerweise durch
\[ a_j(t+1) = f\left( \sum_i w_{ij} a_i(t) + b_j ight) \]
wobei \( a_j(t) \) die Aktivierung des Knotens \( j \) zum Zeitpunkt \( t \), \( w_{ij} \) das Gewicht der Verbindung von Knoten \( i \) zu \( j \) und \( b_j \) ein Bias-Term ist.
Das Lernen basiert auf Optimierungsverfahren wie Gradientenabstieg zur Minimierung eines Fehlermaßes über Trainingsdaten.
Konnektionistische Modelle bilden die Grundlage vieler moderner neuronaler Netze und sind zentral für das Verständnis verteilter Informationsverarbeitung.
Definition:
„Konnektionistische Modelle sind rechnerische Strukturen, die kognitive Funktionen durch vernetzte, parallel arbeitende Einheiten mit gewichteten Verbindungen abbilden, wobei Wissen verteilt in den Verbindungsstärken kodiert ist.“
Quelle:
Rumelhart, D. E., McClelland, J. L., & PDP Research Group (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition. MIT Press.