Задача XOR

Материал из MachineLearning.

(Различия между версиями)

Текущая версия

Статья написана с использованием LLM DeepSeek-V4 и проверена участником Alfina Iamaeva 12:56, 12 июля 2026 (MSD)

Задача XOR (исключающее ИЛИ) — классическая задача в области нейронных сетей и машинного обучения, которая иллюстрирует фундаментальное ограничение однослойного персептрона и демонстрирует необходимость использования многослойных архитектур для решения нелинейно разделимых проблем. Суть задачи заключается в построении классификатора для логической функции XOR, которая возвращает истинное значение (1), если её два бинарных входа различны, и ложное (0), если они совпадают. Задача XOR является простейшим случаем функции чётности для двух бит и широко используется как педагогический пример для объяснения принципов работы и ограничений нейросетей.

Содержание

1 Постановка задачи
2 Линейная неразделимость
3 Ограничения однослойного персептрона
- 3.1 Историческое значение: «Зима ИИ»
4 Решение задачи с помощью многослойного персептрона
- 4.1 Теорема о универсальной аппроксимации
5 Альтернативные подходы к решению задачи XOR
6 Современное значение
7 См. также
8 Примечания
9 Литература

Постановка задачи

Даны четыре точки в двумерном пространстве признаков, соответствующие всем возможным комбинациям бинарных входов $x_1, x_2 \in \{0, 1\}$ :

$(0, 0) \rightarrow 0$
$(0, 1) \rightarrow 1$
$(1, 0) \rightarrow 1$
$(1, 1) \rightarrow 0$

Эти точки располагаются в углах единичного квадрата. Точки, принадлежащие разным классам (0 и 1), расположены по диагонали. Задача состоит в том, чтобы найти классификатор, который правильно разделит эти два класса.

Линейная неразделимость

Ключевое свойство задачи XOR заключается в том, что она не является линейно разделимой. Это означает, что невозможно провести одну прямую линию на плоскости, которая бы разделила точки двух классов. Доказательство этого факта может быть выполнено геометрически или алгебраически. Например, любая попытка провести линию, разделяющую точки (0,0) и (1,1) от точек (0,1) и (1,0), обречена на неудачу, поскольку эти множества не являются выпуклыми и разделимыми гиперплоскостью.

Ограничения однослойного персептрона

Персептрон, предложенный Фрэнком Розенблаттом в 1957 году, представляет собой простейшую нейронную сеть, состоящую из одного слоя искусственных нейронов. Его выход для вектора признаков $\mathbf{x}$ вычисляется как $y = \sigma(w_1 x_1 + w_2 x_2 + b)$ , где $\sigma$ — ступенчатая функция активации, $w_i$ — веса, $b$ — смещение.

Решение, которое может найти персептрон, эквивалентно построению линейной разделяющей поверхности (прямой на плоскости или гиперплоскости в многомерном пространстве). Было математически доказано, что персептрон не может выучить функцию XOR, поскольку она не является линейно разделимой. Это означает, что какой бы набор весов $w_1, w_2, b$ ни был выбран, всегда найдётся по крайней мере одна точка, которая будет классифицирована неверно.

Историческое значение: «Зима ИИ»

Доказательство неспособности персептрона решить задачу XOR стало центральным аргументом в книге Марвина Минского и Сеймура Пейперта «Персептроны» (1969 год). Авторы провели строгий математический анализ возможностей и ограничений однослойных персептронов. Хотя Минский и Пейперт знали, что добавление скрытого слоя может решить проблему, они указали на отсутствие в то время эффективного алгоритма обучения для таких сетей.

Критика, прозвучавшая в книге, оказала разрушительное влияние на область исследований нейронных сетей. Финансирование этой области было резко сокращено, а интерес к нейронным сетям практически угас на долгие годы. Этот период в истории искусственного интеллекта получил название «первая зима ИИ», которая длилась примерно с 1969 по середину 1980-х годов.

Решение задачи с помощью многослойного персептрона

Проблема XOR решается с помощью добавления одного или нескольких скрытых слоёв нейронов, что приводит к созданию многослойного персептрона (MLP). Ключевая идея заключается в том, чтобы разложить нелинейную функцию XOR на комбинацию более простых, линейно разделимых функций.

Рассмотрим архитектуру с двумя нейронами в скрытом слое и одним выходным нейроном. Каждый нейрон скрытого слоя вычисляет взвешенную сумму своих входов и пропускает её через нелинейную функцию активации (например, сигмоиду или гиперболический тангенс).

Пример конкретных весов. Пусть скрытый слой состоит из двух нейронов:

Первый нейрон (назовём его $h_1$ ) настроен на распознавание ситуации, когда хотя бы один вход равен 1 (логическое OR), это можно сделать, задав веса $w_{11}=1, w_{12}=1$ и смещение $b_1=-0.5$ . Тогда $h_1$ активируется (даёт выход больше 0) для точек (0,1) и (1,0), (1, 1) но не для (0,0).
Второй нейрон (назовём его $h_2$ ) настроен на распознавание ситуации, когда оба входа не равны 1 одновременно (NAND). Веса $w_{21}=-1, w_{22}=-1$ и смещение $b_2=1.5$ дают активацию больше 0 везде, кроме (1,1).

Теперь выходной нейрон комбинирует сигналы $h_1$ и $h_2$ . Если мы зададим веса $w_{out,1}=1$ , $w_{out,2}=1$ и смещение $b_{out}=-1.5$ , то выходной нейрон вычислит $h_1 AND h_2$ , что даёт 1 для точек (0,1) и (1,0) (где $h_1=1, h_2=1$ ) и 0 для (0,0) и (1,1) (в первом случае оба 0, во втором оба 1 и результат равен 0).

Таким образом, скрытый слой преобразует исходное пространство признаков $(x_1, x_2)$ в новое двумерное пространство $(h_1, h_2)$ , в котором точки становятся линейно разделимыми. В этом новом пространстве четыре точки располагаются следующим образом: (0,0) переходит в (0,1), (1,1) — в (1,0) (эти два класса лежат на диагонали), а (0,1) и (1,0) — в (1,1). Теперь их можно разделить прямой линией. Обучение такой сети стало возможным благодаря разработке и популяризации алгоритма обратного распространения ошибки (backpropagation) в 1986 году, что положило конец «зиме ИИ» и привело к возрождению интереса к нейронным сетям.

Теорема о универсальной аппроксимации

Способность многослойных нейронных сетей решать задачу XOR является частным случаем более общего результата — теоремы о универсальной аппроксимации. Согласно этой теореме, многослойный персептрон с по крайней мере одним скрытым слоем и нелинейной функцией активации может аппроксимировать любую непрерывную функцию на компактном множестве с любой желаемой точностью. Это теоретическое обоснование делает MLP мощным инструментом для решения широкого круга задач, выходящих за рамки простой линейной классификации.

Альтернативные подходы к решению задачи XOR

Хотя многослойный персептрон является классическим решением, задача XOR может быть решена и другими методами, которые не используют нейронные сети:

Признаки высшего порядка (полиномиальные признаки). Можно вручную добавить нелинейные комбинации исходных признаков, например, перемножить $x_1$ и $x_2$ . Тогда линейный классификатор в пространстве признаков $(x_1, x_2, x_1 x_2)$ легко разделит точки, поскольку функция XOR может быть выражена как $x_1 + x_2 - 2 x_1 x_2$ . Это пример ручного инжиниринга признаков, который, однако, не масштабируется на сложные задачи.

Метод опорных векторов (SVM) с ядром. SVM с нелинейным ядром (например, RBF-ядро или полиномиальное ядро) способен решить XOR, поскольку ядро неявно отображает данные в пространство признаков более высокой размерности, где они становятся линейно разделимыми. Для XOR достаточно полиномиального ядра второй степени.

Метод k ближайших соседей (k-NN). Этот непараметрический алгоритм классификации решает XOR «естественным образом», поскольку он не строит линейной разделяющей поверхности, а основывается на голосовании ближайших соседей. Для четырех точек XOR при $k=1$ или $k=3$ классификация будет безошибочной (при условии правильного выбора метрики).

Деревья решений. Двоичное дерево решений может идеально разделить XOR, последовательно задавая вопросы о значениях признаков. Например, первое разбиение по $x_1$ , второе — по $x_2$ . Это показывает, что древовидные модели не страдают от проблемы линейной неразделимости.

Эти альтернативы подчёркивают, что задача XOR является не столько «проблемой» для машинного обучения в целом, сколько иллюстрацией ограничений конкретного класса моделей (линейных классификаторов и однослойных сетей).

Современное значение

Задача XOR сохраняет своё значение и в современных исследованиях. Она используется как простой тестовый полигон для изучения:

Динамики обучения нейронных сетей с помощью стохастического градиентного спуска (SGD).
Явления переобучения и обобщения в различных архитектурах.
Анализа поведения сетей в условиях «нулевого зазора» (zero-margin), когда данные лежат непосредственно на разделяющей поверхности.

Таким образом, задача XOR, начав свой путь как демонстрация фатального недостатка ранних нейросетей, превратилась в фундаментальный учебный пример и важный инструмент для понимания принципов глубокого обучения.

См. также

Примечания

Литература

Minsky M., Papert S. Perceptrons. — MIT Press, 1969.
Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. — 1986. — Vol. 323, No. 6088. — P. 533–536.
Cybenko G. Approximation by superpositions of a sigmoidal function // Mathematics of Control, Signals and Systems. — 1989. — Vol. 2, No. 4. — P. 303–314.
Bishop C.M. Pattern Recognition and Machine Learning. — Springer, 2006.
Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2016.

Источник — «http://poligon.machinelearning.ru/wiki/index.php?title=%D0%97%D0%B0%D0%B4%D0%B0%D1%87%D0%B0_XOR»

@@ Строка 1: / Строка 1: @@
-=== Задача XOR ===
+{{well|Статья написана с использованием LLM '''DeepSeek-V4''' и проверена участником [[Участник:Alfina Iamaeva|Alfina Iamaeva]] 12:56, 12 июля 2026 (MSD)}}
+'''Задача XOR''' (исключающее ИЛИ) — классическая задача в области [[искусственные нейронные сети|нейронных сетей]] и [[машинное обучение|машинного обучения]], которая иллюстрирует фундаментальное ограничение [[персептрон|однослойного персептрона]] и демонстрирует необходимость использования [[многослойный персептрон|многослойных архитектур]] для решения нелинейно разделимых проблем. Суть задачи заключается в построении классификатора для логической функции XOR, которая возвращает истинное значение (1), если её два бинарных входа различны, и ложное (0), если они совпадают. Задача XOR является простейшим случаем функции [[четность|чётности]] для двух бит и широко используется как педагогический пример для объяснения принципов работы и ограничений нейросетей.
-**Задача XOR** (исключающее ИЛИ, от англ. *exclusive or*) — это классическая задача в области [[искусственные нейронные сети|искусственных нейронных сетей]] и [[машинное обучение|машинного обучения]]. Она является простейшим примером [[булева функция|булевой функции]], которая не является [[линейная разделимость|линейно разделимой]], и поэтому не может быть решена с помощью [[персептрон|однослойного персептрона]]. Неспособность этой простой модели справиться с задачей XOR, убедительно продемонстрированная в книге Марвина Минского и Сеймура Паперта «Персептроны» (1969 год), оказала огромное влияние на историю развития искусственного интеллекта, став одной из причин так называемой «[[зима искусственного интеллекта|зимы ИИ]]» 1970-х годов .
+== Постановка задачи ==
-Проблема XOR не только служит важной дидактической моделью, но и иллюстрирует фундаментальную необходимость использования [[многослойный персептрон|многослойных архитектур]] и нелинейных преобразований для решения сложных реальных задач, что в конечном итоге привело к революции [[глубокое обучение|глубокого обучения]] в 1980-х годах и позже .
+Даны четыре точки в двумерном пространстве признаков, соответствующие всем возможным комбинациям бинарных входов <tex>x_1, x_2 \in \{0, 1\}</tex>:
+* <tex>(0, 0) \rightarrow 0</tex>
+* <tex>(0, 1) \rightarrow 1</tex>
+* <tex>(1, 0) \rightarrow 1</tex>
+* <tex>(1, 1) \rightarrow 0</tex>
-=== Постановка задачи ===
+Эти точки располагаются в углах единичного квадрата. Точки, принадлежащие разным классам (0 и 1), расположены по диагонали. Задача состоит в том, чтобы найти классификатор, который правильно разделит эти два класса.
-Задача XOR для двух бинарных входов $x_1$ и $x_2$ определяется следующей таблицей истинности:
+== Линейная неразделимость ==
-{| class="wikitable"
+Ключевое свойство задачи XOR заключается в том, что она не является [[линейная разделимость|линейно разделимой]]. Это означает, что невозможно провести одну прямую линию на плоскости, которая бы разделила точки двух классов. Доказательство этого факта может быть выполнено геометрически или алгебраически. Например, любая попытка провести линию, разделяющую точки (0,0) и (1,1) от точек (0,1) и (1,0), обречена на неудачу, поскольку эти множества не являются выпуклыми и разделимыми гиперплоскостью.
-! $x_1$ !! $x_2$ !! $x_1 \oplus x_2$
-|-
-| 0 || 0 || 0
-|-
-| 0 || 1 || 1
-|-
-| 1 || 0 || 1
-|-
-| 1 || 1 || 0
-|}
-В геометрической интерпретации четыре точки данных $(0,0)$, $(0,1)$, $(1,0)$, $(1,1)$ лежат в вершинах единичного квадрата на плоскости. Точки, принадлежащие к одному классу (например, где выход равен 1), находятся в противоположных углах, а точки другого класса — в двух других противоположных углах. Очевидно, что невозможно провести одну прямую линию, которая бы разделила эти два множества, что и означает их линейную неразделимость .
+== Ограничения однослойного персептрона ==
-=== Роль в истории нейронных сетей ===
+[[Персептрон]], предложенный [[Фрэнк Розенблатт|Фрэнком Розенблаттом]] в 1957 году, представляет собой простейшую нейронную сеть, состоящую из одного слоя [[Нейрон|искусственных нейронов]]. Его выход для вектора признаков <tex>\mathbf{x}</tex> вычисляется как <tex>y = \sigma(w_1 x_1 + w_2 x_2 + b)</tex>, где <tex>\sigma</tex> — ступенчатая функция активации, <tex>w_i</tex> — веса, <tex>b</tex> — смещение.
-Ключевой момент в истории машинного обучения связан с книгой **«Perceptrons: An Introduction to Computational Geometry»**, опубликованной Марвином Минским и Сеймуром Папертом в 1969 году . В этой работе авторы представили строгий математический анализ возможностей однослойных персептронов. Их главный вывод заключался в том, что такие сети принципиально неспособны вычислить многие простые функции, включая XOR, из-за их линейной неразделимости .
+Решение, которое может найти персептрон, эквивалентно построению линейной разделяющей поверхности (прямой на плоскости или гиперплоскости в многомерном пространстве). Было математически доказано, что персептрон не может выучить функцию XOR, поскольку она не является линейно разделимой. Это означает, что какой бы набор весов <tex>w_1, w_2, b</tex> ни был выбран, всегда найдётся по крайней мере одна точка, которая будет классифицирована неверно.
-Хотя Минский и Паперт осознавали, что добавление скрытых слоев позволяет решить эту проблему, на тот момент не существовало эффективного алгоритма обучения для многослойных сетей . Их критика, сфокусированная на ограничениях *однослойных* персептронов, была воспринята научным сообществом как приговор *всем* нейронным сетям. Это привело к резкому сокращению финансирования и интереса к этой области, что стало причиной первой «зимы искусственного интеллекта», которая длилась около 17 лет .
+=== Историческое значение: «Зима ИИ» ===
-Восстановление интереса к нейронным сетям началось только в середине 1980-х годов с разработкой и популяризацией **алгоритма обратного распространения ошибки** (backpropagation), который позволил эффективно обучать многослойные сети. Именно тогда было окончательно показано, что сеть с одним скрытым слоем ([[многослойный персептрон]]) успешно решает задачу XOR, что ознаменовало новую эру в развитии нейросетевых технологий .
+Доказательство неспособности персептрона решить задачу XOR стало центральным аргументом в книге [[Марвин Минский|Марвина Минского]] и [[Сеймур Пейперт|Сеймура Пейперта]] «'''Персептроны'''» (1969 год). Авторы провели строгий математический анализ возможностей и ограничений однослойных персептронов. Хотя Минский и Пейперт знали, что добавление скрытого слоя может решить проблему, они указали на отсутствие в то время эффективного алгоритма обучения для таких сетей.
-=== Математическое решение ===
+Критика, прозвучавшая в книге, оказала разрушительное влияние на область исследований нейронных сетей. Финансирование этой области было резко сокращено, а интерес к нейронным сетям практически угас на долгие годы. Этот период в истории искусственного интеллекта получил название «'''[[Зима искусственного интеллекта|первая зима ИИ]]'''», которая длилась примерно с 1969 по середину 1980-х годов.
-Задача XOR неразрешима для модели $y = \sigma(w_1 x_1 + w_2 x_2 + b)$, где $\sigma$ — функция активации, так как ее решающая граница всегда является прямой линией . Однако решение становится тривиальным, если представить XOR как композицию более простых, линейно разделимых функций. Это является наглядной демонстрацией того, почему важна «глубина» сети.
+== Решение задачи с помощью многослойного персептрона ==
-XOR может быть выражена через логические операции [[И]] (AND), [[ИЛИ]] (OR) и [[НЕ]] (NOT) следующим образом:
+Проблема XOR решается с помощью добавления одного или нескольких '''[[скрытый слой|скрытых слоёв]]''' нейронов, что приводит к созданию '''[[многослойный персептрон|многослойного персептрона]]''' (MLP). Ключевая идея заключается в том, чтобы разложить нелинейную функцию XOR на комбинацию более простых, линейно разделимых функций.
-$$x_1 \oplus x_2 = (x_1 \lor x_2) \land \neg (x_1 \land x_2)$$ .
-Многослойный персептрон решает эту задачу, используя два нейрона в скрытом слое. Первый нейрон может быть обучен аппроксимировать функцию ИЛИ, а второй — функцию И-НЕ (NAND). Нейрон на выходном слое, в свою очередь, комбинирует их результаты, выполняя операцию И, чтобы получить окончательный ответ . Таким образом, сеть создает нелинейную решающую границу, которая может разделить точки данных.
+Рассмотрим архитектуру с двумя нейронами в скрытом слое и одним выходным нейроном. Каждый нейрон скрытого слоя вычисляет взвешенную сумму своих входов и пропускает её через нелинейную функцию активации (например, сигмоиду или гиперболический тангенс).
-=== Современные исследования ===
+'''Пример конкретных весов'''. Пусть скрытый слой состоит из двух нейронов:
+* Первый нейрон (назовём его <tex>h_1</tex>) настроен на распознавание ситуации, когда хотя бы один вход равен 1 (логическое OR), это можно сделать, задав веса <tex>w_{11}=1, w_{12}=1</tex> и смещение <tex>b_1=-0.5</tex>. Тогда <tex>h_1</tex> активируется (даёт выход больше 0) для точек (0,1) и (1,0), (1, 1) но не для (0,0).
+* Второй нейрон (назовём его <tex>h_2</tex>) настроен на распознавание ситуации, когда оба входа не равны 1 одновременно (NAND). Веса <tex>w_{21}=-1, w_{22}=-1</tex> и смещение <tex>b_2=1.5</tex> дают активацию больше 0 везде, кроме (1,1).
+Теперь выходной нейрон комбинирует сигналы <tex>h_1</tex> и <tex>h_2</tex>. Если мы зададим веса <tex>w_{out,1}=1</tex>, <tex>w_{out,2}=1</tex> и смещение <tex>b_{out}=-1.5</tex>, то выходной нейрон вычислит  <tex>h_1  AND h_2</tex>, что даёт 1 для точек (0,1) и (1,0) (где <tex>h_1=1, h_2=1</tex>) и 0 для (0,0) и (1,1) (в первом случае оба 0, во втором оба 1 и результат равен 0).
-Несмотря на свою простоту, задача XOR продолжает оставаться актуальным объектом исследований в теоретическом машинном обучении. Современные работы используют различные модификации задачи XOR для изучения фундаментальных свойств нейронных сетей, таких как:
+Таким образом, скрытый слой преобразует исходное пространство признаков <tex>(x_1, x_2)</tex> в новое двумерное пространство <tex>(h_1, h_2)</tex>, в котором точки становятся линейно разделимыми. В этом новом пространстве четыре точки располагаются следующим образом: (0,0) переходит в (0,1), (1,1) — в (1,0) (эти два класса лежат на диагонали), а (0,1) и (1,0) — в (1,1). Теперь их можно разделить прямой линией. Обучение такой сети стало возможным благодаря разработке и популяризации '''[[Метод обратного распространения ошибки|алгоритма обратного распространения ошибки]]''' (backpropagation) в 1986 году, что положило конец «зиме ИИ» и привело к возрождению интереса к нейронным сетям.
-*   **Обучение признакам (feature learning)**: XOR является простейшей моделью, требующей от сети изучения новых, нелинейных признаков, что делает ее идеальным полигоном для анализа того, как [[стохастический градиентный спуск]] (SGD) справляется с этой задачей .
+=== Теорема о универсальной аппроксимации ===
-*   **Режим нулевого отступа (zero-margin regime)**: В некоторых постановках, например, для входных данных с гауссовским распределением, многие точки могут лежать сколь угодно близко к разделяющей границе (нулевой отступ), что делает традиционный математический анализ сложным. В этом контексте задача XOR помогает исследовать механизмы обобщения и динамики обучения в неблагоприятных условиях .
-*   **Представление знаний**: Задача XOR служит для демонстрации различных подходов, включая использование [[радиальные базисные функции|радиальных базисных функций]] или расширения пространства признаков с помощью высших порядков, что иллюстрирует гибкость нейросетевых представлений .
-Таким образом, от исторической вехи, ознаменовавшей кризис в области ИИ, задача XOR превратилась в фундаментальный тест и инструмент для понимания принципов работы и теоретических основ глубоких нейронных сетей.
+Способность многослойных нейронных сетей решать задачу XOR является частным случаем более общего результата — '''[[теорема о универсальной аппроксимации|теоремы о универсальной аппроксимации]]'''. Согласно этой теореме, многослойный персептрон с по крайней мере одним скрытым слоем и нелинейной функцией активации может аппроксимировать любую непрерывную функцию на компактном множестве с любой желаемой точностью. Это теоретическое обоснование делает MLP мощным инструментом для решения широкого круга задач, выходящих за рамки простой линейной классификации.
+== Альтернативные подходы к решению задачи XOR ==
+Хотя многослойный персептрон является классическим решением, задача XOR может быть решена и другими методами, которые не используют нейронные сети:
+* '''Признаки высшего порядка (полиномиальные признаки)'''. Можно вручную добавить нелинейные комбинации исходных признаков, например, перемножить <tex>x_1</tex> и <tex>x_2</tex>. Тогда линейный классификатор в пространстве признаков <tex>(x_1, x_2, x_1 x_2)</tex> легко разделит точки, поскольку функция XOR может быть выражена как <tex>x_1 + x_2 - 2 x_1 x_2</tex>. Это пример ручного инжиниринга признаков, который, однако, не масштабируется на сложные задачи.
+* '''Метод опорных векторов (SVM) с ядром'''. [[Метод опорных векторов|SVM]] с нелинейным ядром (например, [[радиальное базисное ядро|RBF-ядро]] или полиномиальное ядро) способен решить XOR, поскольку ядро неявно отображает данные в пространство признаков более высокой размерности, где они становятся линейно разделимыми. Для XOR достаточно полиномиального ядра второй степени.
+* '''Метод k ближайших соседей ([[Метод ближайших соседей|k-NN]])'''. Этот непараметрический алгоритм классификации решает XOR «естественным образом», поскольку он не строит линейной разделяющей поверхности, а основывается на голосовании ближайших соседей. Для четырех точек XOR при <tex>k=1</tex> или <tex>k=3</tex> классификация будет безошибочной (при условии правильного выбора метрики).
+* '''Деревья решений'''. Двоичное [[Решающее дерево|дерево решений]] может идеально разделить XOR, последовательно задавая вопросы о значениях признаков. Например, первое разбиение по <tex>x_1</tex>, второе — по <tex>x_2</tex>. Это показывает, что древовидные модели не страдают от проблемы линейной неразделимости.
+Эти альтернативы подчёркивают, что задача XOR является не столько «проблемой» для машинного обучения в целом, сколько иллюстрацией ограничений конкретного класса моделей (линейных классификаторов и однослойных сетей).
+== Современное значение ==
+Задача XOR сохраняет своё значение и в современных исследованиях. Она используется как простой тестовый полигон для изучения:
+* Динамики обучения нейронных сетей с помощью [[стохастический градиентный спуск|стохастического градиентного спуска]] (SGD).
+* Явления [[переобучение|переобучения]] и обобщения в различных архитектурах.
+* Анализа поведения сетей в условиях «нулевого зазора» (zero-margin), когда данные лежат непосредственно на разделяющей поверхности.
+Таким образом, задача XOR, начав свой путь как демонстрация фатального недостатка ранних нейросетей, превратилась в фундаментальный учебный пример и важный инструмент для понимания принципов глубокого обучения.
+== См. также ==
+* [[Нейрон]]
+* [[Многослойный персептрон]]
+* [[Линейная разделимость]]
+* [[Метод обратного распространения ошибки]]
+* [[Метод опорных векторов]]
+* [[Теорема о универсальной аппроксимации]]
+* [[Функция четности]]
+* [[Зима искусственного интеллекта]]
+== Примечания ==
+<references />
+== Литература ==
+* Minsky M., Papert S. Perceptrons. — MIT Press, 1969.
+* Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. — 1986. — Vol. 323, No. 6088. — P. 533–536.
+* Cybenko G. Approximation by superpositions of a sigmoidal function // Mathematics of Control, Signals and Systems. — 1989. — Vol. 2, No. 4. — P. 303–314.
+* Bishop C.M. Pattern Recognition and Machine Learning. — Springer, 2006.
+* Goodfellow I., Bengio Y., Courville A. Deep Learning. — MIT Press, 2016.