Feedforward Neural Network: Vorwärtsgerichtete Netzwerke

Feedforward Neural Networks (FNN) sind einfache neuronale Netzwerke, die ausschließlich Informationen von einer Schicht zur nächsthöheren weitergeben. Sie werden unterteilt in Single-Layer-FFN und Multi-Layer-FFN und haben unterschiedliche Anwendungsgebiete im Bereich des Deep Learnings.

Was ist ein Feedforward Neural Network (FNN)?

Bei einem Feedforward Neural Network (FNN) handelt es sich um ein neuronales Netzwerk, das aus künstlichen Neuronen besteht und vollständig ohne Rückkopplungen auskommt. Diese Art von Netzwerk gilt als eine besonders einfache Form der künstlichen neuronalen Netzwerke, da sie immer und ausschließlich vorwärts gerichtet agiert. Tiefe Feedforward Neural Networks sind ein wichtiger Baustein für die Erstellung von Modellen im Bereich des Deep Learnings und der Künstlichen Intelligenz. Je nach Anzahl der genutzten Schichten (engl. „layer“) unterscheidet man zwischen Single-Layer- und Multi-Layer-FFN.

Wie funktioniert ein Feedforward Neural Network?

Vorbild für das Feedforward Neural Network ist letztendlich, wie bei jedem künstlichen neuronalen Netzwerk, das menschliche Gehirn. Auch dieses verarbeitet Informationen durch ein neuronales Netzwerk. Das FNN verfügt ebenfalls über mindestens zwei Schichten: eine Eingabeschicht (Input Layer) und eine Ausgabeschicht (Output Layer). Dazwischen können sich weitere Schichten (Hidden Layers) in beliebiger Anzahl befinden. Jede Schicht ist dabei ausschließlich mit der ihr nachfolgenden Schicht verbunden. Diese Verbindung entsteht durch sogenannte Kanten. Bei einem Feedforward Neural Network fließen dabei sämtliche Informationen nur in eine Richtung, nämlich vom Input Layer zum Output Layer.

• Input Layer: Die Eingabeschicht empfängt sämtliche Eingangsdaten, die in das Feedforward Neural Network eingegeben werden. Jedes Neuron in diesem Layer entspricht einer Eigenschaft der eingehenden Daten.
• Hidden Layers: Zwischen Eingabe- und Ausgabeschicht können versteckte Schichten liegen. Jeder dieser Layer besteht aus mehreren Neuronen, die sowohl mit der Eingangs- als auch mit der Ausgangsschicht verbunden sind.
• Output Layer: Die Ausgangs- oder Ausgabeschicht gibt das endgültige Ergebnis des Feedforward Neural Networks aus.

In einem Feedforward Neural Network wird eine Reihe von Eingaben im Bereich des Input Layers gemacht. Die Neuronen dieser Schicht nehmen die Informationen auf und gewichten sie. Dann geben sie diese in einem Single-Layer-FFN an die Ausgabeschicht oder in einem Multi-Layer-FFN zunächst an die versteckte Schichten weiter. Gehen die Informationen in den Bereich der Hidden Layers, werden sie dort neu gewichtet. Da diese Verarbeitung allerdings nicht sichtbar ist, spricht man von einer verborgenen Schicht. Abschließend geben die Neuronen der Ausgabeschicht die verarbeiteten Informationen als Ergebnis aus.

Während des gesamten Prozesses werden die verschiedenen gewichteten Informationen in jedem Schritt zusammengerechnet. Dann wird ein Schwellenwert herangezogen, um zu ermitteln, ob ein Neuron eine Information weitergeben soll oder nicht. Dieser Wert liegt normalerweise bei Null. In einem Feedforward Neural Network gibt es zwischen den unterschiedlichen Schichten keine Kanten, die zurückgerichtet sind. Eine Verbindung besteht immer nur mit der nächsthöheren Schicht.

Was sind die wichtigsten Anwendungsgebiete?

Es gibt zahlreiche mögliche Anwendungsgebiete für Feedforward Neural Networks. Insbesondere wenn große unstrukturierte Datenmengen verarbeitet und verknüpft werden sollen, bringen die Netzwerke zahlreiche Vorteile mit sich. Dies sind einige denkbare Einsatzgebiete:

• Spracherkennung und -verarbeitung: Feedforward Neural Networks können genutzt werden, um Text in gesprochene Sprache umzuwandeln oder gesprochene Sprache in Text auszugeben.
• Bilderkennung und -verarbeitung: Es ist möglich, Bilder zu analysieren und bestimmte Merkmale zu identifizieren. Dazu können zum Beispiel handschriftliche Notizen digitalisiert werden.
• Klassifizierung: Mithilfe eines Feedforward Neural Networks können Daten anhand festgelegter Parameter klassifiziert werden.
• Vorhersagen: Vorwärtsgerichtete neuronale Netzwerke eignen sich auch, um Ereignisse oder Trends mit einer guten Genauigkeit vorherzusagen. Zum Einsatz kommen sie unter anderem bei der Wettervorhersage oder in unterschiedlichen Frühwarnsystemen in den Bereichen Katastrophenschutz, Raumfahrt und Verteidigung.
• Betrugserkennung: Auch bei der Identifizierung betrügerischer Aktivitäten oder Muster können Feedforward Neural Networks eine wichtige Rolle spielen.

Was ist der Unterschied zu einem Recurrent Neural Network (RNN)?

Das Gegenteil eines Feedforward Neural Networks ist das Recurrent Neural Network (RNN). Dieses funktioniert zwar grundsätzlich ähnlich und leitet Informationen über Neuronen von der Anfangs- zur Endschicht, kann diese dabei aber auch zurückschicken. In einem solchen Netzwerk sind nämlich Verbindungen hinterlegt, über die Informationen die Schichten rückwärts und danach erneut vorwärts durchlaufen. Das Netz verfügt so über Rückkopplungsschleifen, in denen Informationen gespeichert werden können.

Entsprechende Netzwerke werden vor allem dann eingesetzt, wenn der Kontext bei der Ergebnisfindung wichtig ist. Dies ist gerade bei der Textverarbeitung hilfreich: Ein Flügel kann zum Beispiel das Körperteil eines Vogels oder ein Instrument sein. Nur über den Kontext kann die richtige Bedeutung bestimmt werden. Feedforward Neural Networks haben diese Art der Speicherung hingegen nicht.