ArtikelDavid E. Rumelhart, Geoffrey E. Hinton & Ronald J. WilliamsForschung
Das vorgestellte Lernverfahren bildet eine fundamentale Basis für das Training mehrschichtiger neuronaler Netze und modernes maschinelles Lernen.
Der Abstract fasst den Kernmechanismus zusammen: Durch die iterative Anpassung der Gewichtungen über Fehlersignale lernen verdeckte Schichten komplexe Regelmäßigkeiten. Dies löste das historische Limitierungsproblem einfacher Perzeptrone und etablierte die mathematische Grundlage für tiefere Netzarchitekturen.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Link:Xavier Glorot, Yoshua Bengio
Die Forschungsarbeit von Xavier Glorot und Yoshua Bengio untersucht, warum herkömmlicher Gradientenabstieg bei zufälliger Initialisierung in tiefen neuronalen Netzen oft scheitert. Die Autoren analysieren den Einfluss von Aktivierungsfunktionen und der Dynamik von Gradienten über verschiedene Schichten hinweg und stellen ein neues Initialisierungsverfahren für deutlich schnellere Konvergenz vor.
Artikel:Warren Sturgis McCulloch and Walter Pitts
Das historische Papier von Warren Sturgis McCulloch und Walter Pitts aus dem Jahr 1943 begründete das Konzept künstlicher neuronaler Netze. Es beschreibt das Nervensystem als ein Netzwerk einfacher logischer Elemente, die Eingaben summieren und ab einem Schwellenwert ein Signal ausgeben. Die Autoren zeigten die Äquivalenz dieser Netze zu logischen Aussagen und zu Turing-Maschinen auf.
Artikel:Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun
Das Forschungsteam um Kaiming He stellt ein Residual-Learning-Framework vor, das das Training extrem tiefer neuronaler Netze erleichtert. Schichten lernen dabei Residualfunktionen bezogen auf die Eingaben statt unreferenzierter Funktionen.
Link:Melanie Lefkowitz
Ein Rückblick der Cornell University beleuchtet das Leben und Werk von Frank Rosenblatt, der 1958 mit dem Perzeptron das erste künstliche neuronale Netzwerk vorstellte. Trotz heftiger Kritik seiner Zeitgenossen und des darauffolgenden KI-Winters bilden seine Algorithmen das Fundament moderner Deep-Learning-Systeme.
Artikel:Tomas Mikolov, Kai Chen, Greg Corrado, Jeffrey Dean
Ein Forschungsteam um Tomas Mikolov stellt zwei neue Modellarchitekturen vor, um kontinuierliche Vektor-Repräsentationen von Wörtern aus sehr großen Textmengen effizient zu berechnen. Der Ansatz erzielt höhere Genauigkeit bei deutlich reduziertem Rechenaufwand im Vergleich zu früheren neuronalen Netzen.
Artikel:Marvin Minsky, Seymour Papert
Das 1969 veröffentlichte Buch „Perceptrons“ von Marvin Minsky und Seymour Papert analysierte mathematisch die Grenzen einfacher neuronaler Netze. Es gilt historisch als Auslöser für die Abkehr vom Konnektionismus hin zur symbolischen KI und den anschließenden KI-Winter der 1980er-Jahre.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
