Коннекционистские модели — это вычислительные парадигмы, которые моделируют когнитивные процессы с помощью сетей простых, параллельно работающих единиц, связи между которыми представлены взвешенными рёбрами.
Формально коннекционистскую модель можно описать как ориентированный граф \( G = (V, E) \) с вершинами \( V \) и взвешенными рёбрами \( E \subseteq V \times V \), при этом каждая вершина обладает функцией активации \( f: \mathbb{R} \rightarrow \mathbb{R} \).
Обновление состояния обычно происходит по формуле
\[ a_j(t+1) = f\left( \sum_i w_{ij} a_i(t) + b_j \right) \]
где \( a_j(t) \) — активация вершины \( j \) в момент времени \( t \), \( w_{ij} \) — вес связи от вершины \( i \) к \( j \), а \( b_j \) — смещающий член (bias).
Обучение основано на методах оптимизации, таких как градиентный спуск, для минимизации меры ошибки на обучающих данных.
Коннекционистские модели лежат в основе многих современных нейронных сетей и являются ключевыми для понимания распределённой обработки информации.
Определение:
«Коннекционистские модели — это вычислительные структуры, которые отображают когнитивные функции через связанные, параллельно работающие единицы с взвешенными связями, при этом знания распределены и закодированы в силах связей.»
Источник:
Rumelhart, D. E., McClelland, J. L., & PDP Research Group (1986). Parallel Distributed Processing: Explorations in the Microstructure of Cognition. MIT Press.