L'aprenentatge competitiu és una forma d'aprenentatge no supervisat en xarxes neuronals artificials, en què els nodes competeixen pel dret a respondre a un subconjunt de dades d'entrada.^[1] Una variant de l'aprenentatge Hebbian, l'aprenentatge competitiu funciona augmentant l'especialització de cada node de la xarxa. És molt adequat per trobar clústers dins de dades.

Els models i algorismes basats en el principi d'aprenentatge competitiu inclouen la quantificació vectorial i els mapes d'autoorganització (mapes Kohonen).

Principis

Hi ha tres elements bàsics per a una regla d'aprenentatge competitiu:^[2][3]

• Un conjunt de neurones que són totes iguals excepte alguns pesos sinàptics distribuïts aleatòriament i que, per tant, responen de manera diferent a un conjunt determinat de patrons d'entrada.
• Un límit imposat a la "força" de cada neurona
• Un mecanisme que permet a les neurones competir pel dret de respondre a un determinat subconjunt d'entrades, de manera que només una neurona de sortida (o només una neurona per grup) estigui activa (és a dir, "activada") alhora. La neurona que guanya la competició s'anomena neurona "el guanyador s'emporta tot".

En conseqüència, les neurones individuals de la xarxa aprenen a especialitzar-se en conjunts de patrons similars i, en fer-ho, esdevenen "detectors de característiques" per a diferents classes de patrons d'entrada.

El fet que les xarxes competitives recodiquifiquin conjunts d'entrades correlacionades a una de les poques neurones de sortida elimina essencialment la redundància en la representació que és una part essencial del processament en els sistemes sensorials biològics.^[4][5]

L'aprenentatge competitiu sol implementar-se amb xarxes neuronals que contenen una capa oculta que es coneix comunament com a "capa competitiva".^[6] Cada neurona competitiva està descrita per un vector de pesos ${\displaystyle {\mathbf {w} }_{i}=\left({w_{i1},..,w_{id}}\right)^{T},i=1,..,M}$ i calcula la mesura de semblança entre les dades d'entrada ${\displaystyle {\mathbf {x} }^{n}=\left({x_{n1},..,x_{nd}}\right)^{T}\in \mathbb {R} ^{d}}$ i el vector pes ${\displaystyle {\mathbf {w} }_{i}}$.

Per a cada vector d'entrada, les neurones competitives "competeixen" entre elles per veure quina d'elles és més semblant a aquest vector d'entrada en particular. La neurona guanyadora m estableix la seva sortida ${\displaystyle o_{m}=1}$ i totes les altres neurones competitives estableixen la seva sortida ${\displaystyle o_{i}=0,i=1,..,M,i\neq m}$.

Normalment, per mesurar la similitud s'utilitza la inversa de la distància euclidiana: ${\displaystyle \left\|{{\mathbf {x} }-{\mathbf {w} }_{i}}\right\|}$ entre el vector d'entrada ${\displaystyle {\mathbf {x} }^{n}}$ i el vector pes ${\displaystyle {\mathbf {w} }_{i}}$.