Un mapa autoorganizado en crecimiento (GSOM) es un tipo de red neuronal artificial utilizado para el aprendizaje no supervisado, particularmente para la agrupación y visualización de datos de alta dimensionalidad. A diferencia del mapa autoorganizado estándar (SOM), que tiene una cuadrícula fija de neuronas desde el inicio, un GSOM comienza con una red mínima de nodos (generalmente cuatro) y crece añadiendo nuevos nodos durante el proceso de entrenamiento. Este crecimiento dinámico permite que el GSOM adapte su topología a la estructura subyacente de los datos de entrada, lo que potencialmente conduce a una mejor representación de distribuciones de datos complejas o no uniformes. El concepto fue introducido a principios de la década de 2000 como una extensión del SOM, con el objetivo de reducir la necesidad de especificar a priori el tamaño del mapa y mejorar la resolución del mapa en regiones de alta densidad de datos.
El GSOM opera en dos fases principales: una fase de crecimiento y una fase de suavizado. Durante la fase de crecimiento, la red se expande insertando nuevos nodos en áreas donde el error acumulado de un nodo supera un umbral predefinido. El error se mide típicamente como la distancia euclidiana entre el vector de pesos del nodo y los vectores de entrada para los que resulta ganador. Cuando el error de un nodo supera el umbral, se añaden nuevos nodos en sus posiciones vecinas, y los pesos se inicializan para interpolar entre los nodos existentes. La fase de suavizado ajusta entonces los pesos sin mayor crecimiento, de manera similar a la fase final de un SOM estándar. Este enfoque de dos fases ayuda a equilibrar el compromiso entre capturar detalles finos y mantener un mapa estable e interpretable.
Mecanismo de crecimiento
El proceso de crecimiento en un GSOM está gobernado por un parámetro de umbral de crecimiento (GT), que controla cuán sensible es la red al error. Un GT más bajo conduce a inserciones de nodos más frecuentes, resultando en un mapa más grande, mientras que un GT más alto produce un mapa más pequeño y compacto. La acumulación de error para cada nodo se calcula típicamente como la suma de errores cuadráticos sobre los vectores de entrada para los que ha resultado ganador, y este valor se compara con el GT. Cuando se supera el umbral, el nodo se marca para crecimiento, y se insertan nuevos nodos en las direcciones de sus vecinos que tienen el mayor error. Este mecanismo asegura que el mapa se expanda preferentemente en regiones donde los datos son más complejos o están densamente empaquetados.
Algoritmo de entrenamiento
El algoritmo de entrenamiento para un GSOM sigue una secuencia de pasos. Inicialmente, se crea una cuadrícula de nodos de 2x2 con vectores de pesos aleatorios. Para cada vector de entrada, se identifica el nodo ganador (aquel con la menor distancia al vector de entrada), y su peso y los de sus vecinos topológicos se actualizan utilizando una tasa de aprendizaje que disminuye con el tiempo. Después de cada época, se acumula el error de cada nodo. Si el error de algún nodo supera el GT, se desencadena el crecimiento. El proceso se repite hasta que el error total o el número de nodos alcanza un criterio de detención. La fase final de suavizado se ejecuta entonces durante un número fijo de épocas con una tasa de aprendizaje más baja para refinar los pesos. Este algoritmo es computacionalmente eficiente en comparación con algunos otros modelos de redes en crecimiento, ya que no requiere operaciones complejas de poda o fusión.
Aplicaciones
Los GSOM se han aplicado en diversos dominios donde los datos son de alta dimensionalidad y el tamaño óptimo del mapa es desconocido. Las aplicaciones comunes incluyen tareas de aprendizaje automático como agrupación de documentos, segmentación de imágenes y detección de anomalías en el tráfico de red. En bioinformática, los GSOM se han utilizado para agrupar datos de expresión génica, donde el número de grupos biológicamente relevantes a menudo no se conoce de antemano. La capacidad de hacer crecer el mapa de manera adaptativa es particularmente útil en escenarios de datos en streaming, donde la distribución de los datos puede cambiar con el tiempo, ya que el GSOM puede continuar añadiendo nodos para acomodar nuevos patrones. En comparación con los SOM estándar, los GSOM a menudo producen mapas con mejor error de cuantización y preservación topológica, especialmente cuando los datos tienen una densidad no uniforme.
Comparación con el SOM estándar
La diferencia principal entre un GSOM y un SOM estándar radica en la arquitectura de la red. Un SOM estándar requiere que el usuario especifique el número de filas y columnas del mapa antes del entrenamiento, lo que puede ser desafiante si la dimensionalidad intrínseca de los datos es desconocida. Un GSOM elimina este requisito haciendo crecer el mapa según sea necesario. Sin embargo, esta flexibilidad tiene el costo de parámetros adicionales, como el umbral de crecimiento y el número máximo de nodos, que deben ajustarse. En la práctica, los GSOM tienden a ser más sensibles a la tasa de aprendizaje inicial y al orden de presentación de las entradas, pero a menudo convergen a una representación más compacta que un SOM de tamaño fijo con un número similar de nodos. La investigación ha demostrado que los GSOM pueden lograr un error de cuantización final más bajo que los SOM de tamaño comparable, aunque la sobrecarga computacional de la inserción de nodos puede ser mayor.
Extensiones y variantes
Se han propuesto varias variantes del GSOM para abordar limitaciones específicas. Por ejemplo, el mapa autoorganizado jerárquico en crecimiento (GHSOM) extiende el GSOM construyendo una estructura jerárquica de mapas, donde cada nodo puede ser a su vez un mapa, permitiendo una agrupación multinivel. Otra variante, el gas neuronal en crecimiento (GNG), está relacionada pero utiliza una regla de crecimiento diferente basada en la edad de las conexiones entre nodos. Algunas implementaciones incorporan técnicas de aumento de datos para mejorar la robustez al entrenar con datos ruidosos. El GSOM también se ha integrado con marcos de aprendizaje profundo, como su uso como paso de preprocesamiento para sistemas de inteligencia artificial que requieren reducción de dimensionalidad. A pesar de estas extensiones, la idea central del crecimiento adaptativo sigue siendo fundamental en todos estos enfoques.
Limitaciones y consideraciones
Una limitación del GSOM es que el umbral de crecimiento debe establecerse adecuadamente; si se establece demasiado bajo, el mapa puede volverse excesivamente grande, lo que lleva a un sobreajuste de los datos de entrenamiento. Por el contrario, un umbral alto puede resultar en un mapa demasiado pequeño para capturar estructuras importantes. El algoritmo también asume que los datos de entrada están normalizados, ya que los cálculos de distancia son sensibles a la escala. Además, el orden en que se presentan los vectores de entrada puede afectar el mapa final, por lo que a menudo se recomiendan múltiples ejecuciones con diferentes semillas aleatorias. El GSOM no es un modelo de lenguaje grande ni una arquitectura basada en transformers; pertenece a la clase de redes de aprendizaje competitivo, que son distintas de los modelos supervisados y autosupervisados que dominan las aplicaciones modernas de IA generativa. No obstante, sigue siendo una herramienta útil para el análisis exploratorio de datos en la investigación y la industria.
Véase también
- mapa autoorganizado (no en la lista proporcionada, pero relacionado)
- red neuronal
- aprendizaje automático
- aumento de datos