Supervised recurrent networks (Recurrent Neural Networks)

Le reti neurali ricorrenti (RNR) artificiali supervisionate posseggono delle connessioni di feedback adattative che permettono loro di imparare le mappature da sequenze di input a sequenze di otuput. Possono avere in linea di principio un comportamento quasi arbitrario, sequenziale e algoritmico. Sono biologicamente più plausibili e più potenti dal punto di vista computazionale di altri modelli adattativi, come i "Hidden Markov Models" e i "Conditional Markov Random Fields" (nessuno stato interno continuo), le reti neurali feedforward e le tradizionali "Support Vector Machines" (SVM - nessuno stato interno). Lo scopo di questo progetto è quello di migliorare ulteriormente e di analizzare gli algoritmi avanzati per le RNR supervisionate, soprattutto per le RNR bidirezionali, e di applicarli a funzioni di apprendimento della sequenza come l´elaborazione del discorso, la previsione delle macchie solari e la predizione (della struttura) delle proteine. Un´attenzione particolare è rivolta ai nuovi tipi di SVM ricorrenti e alle RNR con obiettivi teorici di informazione e in combinazione con approcci statistici.