> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# Sakana AI, geri yayılıma yerel bir alternatifle 1000 katmanlı ağ eğitti
- URL: https://globalfeed.ai/sakana-ai-geri-yayilima-yerel-bir-alternatifle-1000-katmanli-ag-egitti/
- Published: 2026-09-15T21:39:47.000Z
- Updated: 2026-09-15T21:39:47.000Z
- Description: Sakana AI araştırmacıları, her güncellemeyi katman içinde tutan PC-ALM yöntemiyle MNIST'te 1000 katmanlı ağları geri yayılımın yaklaşık 2 puan gerisinde eğitti.
- Author: GlobalFeed Editor
- Tags: Sakana AI, PC-ALM, derin öğrenme, x-SakanaAILabs, dil-tr, denetim-gerekli, video

Sakana AI araştırmacıları, geri yayılıma (backpropagation) yerel bir alternatif olarak **Augmented Lagrangian Predictive Coding (PC-ALM)** yöntemini duyurdu. Yöntem, öngörücü kodlamanın (predictive coding, PC) her güncellemeyi katmanın içinde tutan yapısını koruyor, buna karşın geri yayılımın kredi sinyaliyle hizalı bir işaret üretiyor. Ekip, MNIST üzerinde 1000 katmana kadar artık bağlantılı MLP'leri geri yayılımın yaklaşık 2 puan gerisinde eğittiğini bildiriyor.

## Yöntem nasıl çalışıyor

Geri yayılım küresel bir algoritma: ileri geçiş, geri geçiş ve ağırlık güncellemesi birbirine kilitli sırayla ilerler. Beyinde ağ çapında böyle bir faz kilitlenmesine dair bilinen bir mekanizma yok, bu yüzden yerel öğrenme yaklaşımları araştırılmaya devam ediyor. PC'de her gizli aktivasyon bir optimizasyon değişkeni sayılır ve alt katmandan gelen tahminle arasındaki fark cezalandırılır. Sorun şu: denetim çıkışta devreye girer ve derin, dar ağlarda sinyal girişe ulaşmadan zayıflar.

PC-ALM, eğitimi kısıtlı bir optimizasyon problemi olarak ele alıyor ve PC'nin ceza terimini korurken her katman kısıtına bir Lagrange çarpanı ekliyor. Çıkarım iki yerel adımı sırayla uyguluyor: aktivasyonlar üzerinde bir primal gradyan adımı ve katmanın tahmin hatasını biriktiren bir dual adım. Ekip bunu katman başına bir PI denetleyici gibi okuyor; tahmin hatası oransal terim, çarpan ise integral terim. Çarpan sıfırlandığında yöntem tam olarak PC'ye dönüyor.

## Sonuçlar

Fashion-MNIST ve MNIST üzerinde genişlik ve derinliği 8 ile 128 arasında değişen artık MLP'lerde, T = 2L çıkarım bütçesiyle PC-ALM her genişlik, derinlik ve aktivasyon fonksiyonunda (identity, tanh, ReLU) geri yayılımı yakalıyor; PC ise derin ve dar hücrelerde belirgin şekilde geriliyor. Depodaki referans hücrede (genişlik 32, derinlik 32, ReLU, Fashion-MNIST) test doğruluğu geri yayılım için %78,66, PC için %68,13, PC-ALM için %77,75\. Gradyanın geri yayılımla kosinüs benzerliği 0,604'ten 0,909'a çıkıyor.

Ekip, CIFAR-10 ve Tiny ImageNet üzerinde ResNet-18 dahil denediği her ölçütte PC-ALM'in PC'yi geçtiğini belirtiyor. Yöntem bir model değil eğitim tekniği ve şimdiye dek yalnızca küçük görüntü ölçütlerinde sınandı. MIT lisanslı JAX referans uygulaması CPU üzerinde çalışıyor ve makaledeki genişlik-derinlik ızgarasını yeniden üretiyor. Ayrıntılar [MarkTechPost'un haberinde](https://www.marktechpost.com/2026/09/14/sakana-ai-researchers-introduce-pc-alm-a-layer-local-alternative-to-backpropagation-that-trains-1000-layer-networks/?ref=globalfeed.ai).