Stand der Anwendung und Entwicklungsperspektiven der Kreditwürdigkeitsprüfung mit Neuronalen Netzen und Expertensystemen

Die Entwicklung und Simulation Neuronaler Netze erfolgt zum gegenwärtigen Zeitpunkt mit Neuro Software, die in folgende Gruppen unterteilt werden können: Die erste Gruppe nennt sich Shells. Shells sind selbständige Programme, die oft mit einer graphischen Benutzeroberfläche arbeiten. Sie bieten eine bequeme Entwicklungsumgebung und ermöglichen in der Regel eine Visualisierung von Netzaufbau, Lernstand und Netzparametern. Die zweite Gruppe bezeichnet man als Add-ons. Add-ons sind sogenannte Aufsätze auf bereits bestehende Softwaresysteme, deren Funktionalität und Fähigkeiten dadurch erweitert werden und somit die Simulation der Neuronalen Netze ermöglichen. Die vorhandene Basissoftware kann dabei im Rahmen ihrer Möglichkeiten benutzt werden. Die dritte Gruppe sind Entwicklungssprachen. Hier unterscheidet man Toolboxen und Spezialsprachen. Toolboxen ermöglichen die Entwicklung der Neuronalen Netze mit Hilfe von bekannten und verbreiteten Programmiersprachen. Spezialsprachen sind unbekanntere Sprachen, sie stellen eine Schnittstelle zu einem Neuronalen Simulationsprogramm her. Der Benutzer von Spezialsprachen muß sich einer hohen Anforderung stellen, weil Spezialsprachen eine enorme Flexibilität beim Entwurf von Neuronalen Netzen besitzen. [...]

passung erfolgt, „...wenn das Produkt der Ausgabewerte der beiden Neuronen von Null verschieden ist...“. Die Verbindungsgewichte werden dann proportional zu diesem Produkt verändert, es sind auch kontinuierliche und negative Ausgabewerte erlaubt. Beim unüberwachten Lernen wird zwischen der Delta-Regel für Netze ohne Zwischenschichten und der generalisierten Delta-Regel für mehrschichtige Netze unterschieden. Nach der Delta-Regel erfolgt die Gewichtsanpassung in Abhängigkeit von der Differenz zwischen dem Sollausgabewert und dem Istausgabewert; bei der generalisierten Delta-Regel wird für die Berechnung der Gewichtsänderungen zusätzlich die Ableitung der Ausgabefunktion verwendet. Für die verdeckten Zwischenschichten werden die Gewichtsfaktoren rekursiv bestimmt, dieser Vorgang wird auch als Back Propagation Learning bezeichnet und funktioniert nach dem bereits erklärten Gradientenabstiegsverfahren. Von der Ausgabeschicht aus werden dabei die Gewichtungsfaktoren rückwärtsgerichtet berechnet; das gewünschte Ausgabesignal muß dabei jedoch bekannt sein.27 Bei einigen Neuronalen Netzen bleibt die Lernfähigkeit des Systems während der gesamten Nutzungsdauer des Netzes erhalten, ist also kein abgeschlossener Prozeß. Diese Systeme haben den Vorteil, daß sie in der Lage sind, bei einem teilweisen Ausfall des Netzes sich selbst wieder regenerieren zu können.28 [...]

Beim Lernen wird zwischen dem überwachten (supervised learning) und dem unüberwachten Lernen (unsupervised learning) unterschieden. Das überwachte Lernen kann entweder mit „Lehrer“, oder mit „Bewerter“ erfolgen. Lernt das Netz mit einem Lehrer, so wird ihm die richtige Lösung des Problems zum Vergleich bereitgestellt. Beim Lernen mit einem Bewerter erhält das System nach einem absolvierten Durchlauf nur eine Information über die Qualität des Ergebnisses. Bei selbstorganisierenden Netzwerken, die sich durch unüberwachtes Lernen auszeichnen, erfolgt die Anpassung der Gewichte nach der Hebbschen Regel.25 Hebb stellte 1949 die folgende These auf, welche zumindest teilweise experimentell belegt wurde. Die Wirksamkeit einer Synapse ändert sich „...in Abhängigkeit von der Korrelation zwischen den Aktivitäten ... des die Synapse ansteuernden und ... des von der Synapse angesteuerten Neurons...“. (Ritter, H.; Martinetz, T.; Schulten, K., 1991, S. 14) Die Hebbsche Regel, daß sich die Verbindungs25 [...]