На Ð¿Ñ€Ð°Ð²Ð°Ñ Ñ€ÑƒÐºÐ¾Ð¿Ð¸ÑÐ¸

менное состояние дел в этой быстро развивающейся области науки подробно
рассмотрено нами в нескольких обзорах [37, 39, 109].
1.4. Ограничения искусственных нейронных сетей
Как и любой метод машинного обучения, искусственные нейронные сети
имеют свои ограничения, которых, однако, по мере развития теории нейросетевого
моделирования и общей теории обучающихся систем, становится все
меньше и меньше. В начале 90-ых годов прошлого века, т.е. на момент появления
первых работ по их применению для прогнозирования свойств химических
соединений, такими ограничениями или даже недостатками считались следующие:
• нейросеть – это «черный ящик», т.е. нейросетевые модели не поддаются
интерпретации;
• нейросетевые модели не могут быть точно воспроизведены ввиду инициализации
весов связей перед обучением случайными числами;
• нейронные сети не работают с большим числом дескрипторов;
• нейросети легко «переучиваются», и тогда они хорошо воспроизводят
свойства соединений, содержащихся в обучающей выборке, но при этом
плохо прогнозируют свойства любых других соединений;
• с помощью нейросетей ничего нельзя сделать такого, на что бы не были
способны стандартные методы статистического анализа данных.
Хотя перечисленные выше утверждения не всегда справедливы, они, тем
не менее, указывают на реальные проблемы, с которыми столкнулись исследователи
в ходе первых работ по применению нейронных сетей для прогнозирования
свойств химических соединений. Без их решения нейросети не могли бы
быть использованы как составная часть универсальной методологии прогнозирования
свойств химических соединений. Поэтому разработка эффективных
методов решения этих проблем составила важную часть диссертационной работы
(см. Главу 4).
62