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) — одна из классических задач в области [[Машинное обучение|машинного обучения]] и [[Искусственные нейронные сети|нейронных сетей]], которая заключается в обучении модели воспроизводить логическую функцию [[Исключающее «или»|исключающего ИЛИ]] (XOR). Эта функция принимает два [[Бит|бинарных]] входа и возвращает истину (1), если входы различаются, и ложь (0), если они совпадают . Несмотря на свою кажущуюся простоту, задача XOR сыграла ключевую роль в истории развития искусственного интеллекта, поскольку на её примере была наглядно продемонстрирована фундаментальная вычислительная ограниченность [[Перцептрон|однослойного перцептрона]] .
+== Постановка задачи ==
-=== Определение и истинностная таблица ===
+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>
-Функция XOR является одной из шестнадцати возможных [[Булева функция|булевых функций]] от двух переменных . Её истинностная таблица выглядит следующим образом :
+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.
-{| class="wikitable"
+== Линейная неразделимость ==
-|-
-! x1 !! x2 !! x1 ⊕ x2
-|-
-| 0 || 0 || 0
-|-
-| 0 || 1 || 1
-|-
-| 1 || 0 || 1
-|-
-| 1 || 1 || 0
-|}
-В [[Алгебраическая нормальная форма|алгебраической нормальной форме]] XOR может быть выражена через базовые операции И, ИЛИ и НЕ. Например, <code>XOR(x1, x2) = (x1 AND NOT x2) OR (NOT x1 AND x2)</code> . Также существуют эквивалентные представления с использованием арифметических операций, такие как <math>x_1 \oplus x_2 = x_1 + x_2 - 2x_1x_2</math> .
+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.
-=== Нелинейная разделимость ===
+== Ограничения однослойного персептрона ==
-Главная сложность задачи XOR заключается в том, что множество точек <math>\{(0,0), (1,1)\}</math> (класс 0) и <math>\{(0,1), (1,0)\}</math> (класс 1) являются [[Линейная разделимость|линейно неразделимыми]] на двумерной плоскости . Это означает, что не существует прямой линии, которая могла бы разделить эти две группы точек. В то же время, функции И (AND) и ИЛИ (OR) являются линейно разделимыми, и их может выучить однослойный перцептрон .
+[[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.
-==== Доказательство невозможности для однослойного перцептрона ====
+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.
-Однослойный перцептрон вычисляет выход как <math>y = f(w_1 x_1 + w_2 x_2 + b)</math>, где <math>w_1, w_2</math> — веса, <math>b</math> — [[Смещение нейрона|смещение]], а <math>f</math> — [[Функция активации|пороговая функция активации]] . Чтобы решить задачу XOR, необходимо найти такие <math>w_1, w_2</math> и <math>b</math>, которые удовлетворяют следующей системе неравенств, вытекающих из истинностной таблицы :
+=== Историческое значение: «Зима ИИ» ===
-# Для <math>(0,0) \rightarrow 0</math>: <math>b < 0</math>
+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.
-# Для <math>(0,1) \rightarrow 1</math>: <math>w_2 + b \ge 0</math>
-# Для <math>(1,0) \rightarrow 1</math>: <math>w_1 + b \ge 0</math>
-# Для <math>(1,1) \rightarrow 0</math>: <math>w_1 + w_2 + b < 0</math>
-Из неравенств (2) и (3) следует, что <math>w_1 + w_2 + 2b \ge 0</math>. Если сложить это выражение с неравенством (1) (<math>b < 0</math>), то нельзя прийти к противоречию напрямую. Однако, более строгий анализ показывает, что из (2) и (3) следует <math>w_1 + w_2 \ge -2b</math>. Подставляя это в (4), получаем <math>(-2b) + b < 0</math>, то есть <math>-b < 0</math>, или <math>b > 0</math>. Это противоречит неравенству (1), которое требует <math>b < 0</math> . Таким образом, доказано, что не существует набора весов для однослойного перцептрона, который бы решал задачу XOR.
+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.
-=== Историческое значение и «Зима ИИ» ===
+== Решение задачи с помощью многослойного персептрона ==
-Невозможность решения задачи XOR однослойным перцептроном была строго доказана [[Минский, Марвин|Марвином Минским]] и [[Пейперт, Сеймур|Сеймуром Пейпертом]] в их знаковой книге «Перцептроны» (1969 год) . Этот результат стал мощным аргументом против исследований в области нейронных сетей. Критика Минского и Пейперта, вкупе с завышенными ожиданиями от возможностей перцептронов, привела к так называемой «[[Зима искусственного интеллекта|Зиме ИИ]]» — периоду с конца 1960-х по середину 1980-х годов, когда финансирование и интерес к данной области исследований резко упали .
+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.
-Важно отметить, что Минский и Пейперт критиковали именно ''однослойные'' перцептроны. Они осознавали, что добавление скрытых слоёв потенциально может решить проблему, однако в то время не существовало эффективного алгоритма обучения для [[Многослойный перцептрон|многослойных сетей]] . Этот нюанс был упущен широкой научной общественностью, что привело к неоправданно пессимистичным выводам о нейросетевом подходе в целом .
+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).
-=== Решение задачи с помощью многослойных сетей ===
+'''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).
-Проблема XOR решается добавлением как минимум одного скрытого слоя нейронов с нелинейными функциями активации . В такой архитектуре скрытые нейроны могут выучить промежуточные представления, например, функции И (AND) и И-НЕ (NAND), которые затем комбинируются выходным нейроном для получения функции XOR . Математически это описывается как композиция функций <math>XOR(x_1, x_2) = AND(OR(x_1, x_2), NAND(x_1, x_2))</math> .
+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.
-Стандартная архитектура для решения XOR — [[Многослойный перцептрон]] с двумя входами, скрытым слоем из двух нейронов и одним выходом (2-2-1) . Эффективный алгоритм обучения таких сетей, [[Метод обратного распространения ошибки|обратное распространение ошибки]], был популяризирован в 1986 году, что ознаменовало возрождение интереса к нейронным сетям .
+=== Теорема о универсальной аппроксимации ===
-==== Альтернативные решения ====
+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.
-Исследования показывают, что задачу XOR можно решить и в однослойной архитектуре, если использовать специальные нелинейные функции активации или расширить пространство признаков :
+== Альтернативные подходы к решению задачи XOR ==
-* '''Функции активации:''' Использование нестандартных активаций, таких как [[PReLU|Parametric ReLU (PReLU)]] с отрицательным параметром или [[Оскуллирующая функция активации|оскуллирующая]] Growing Cosine Unit (GCU), позволяет одному нейрону вычислять XOR .
+Хотя многослойный персептрон является классическим решением, задача XOR может быть решена и другими методами, которые не используют нейронные сети:
-* '''Расширение признакового пространства:''' Добавление новых признаков, например, произведения входов <math>x_1 \cdot x_2</math>, делает задачу линейно разделимой в новом, более высокомерном пространстве .
-Обобщением задачи XOR является задача <math>XOR_p</math> для <math>p</math> классов, которая заключается в классификации пар целых чисел <math>(a,b) \in \mathbb{Z}_p \times \mathbb{Z}_p</math> по значению их разности <math>a-b \bmod p</math> .
+* '''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.
-=== См. также ===
+* '''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.
-* [[Перцептрон]]
+* '''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).
-* [[Многослойный перцептрон]]
-* [[Метод обратного распространения ошибки]]
+* '''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.
-* [[Функция активации]]
+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]]
-* [[Проблема чётности]]
+== 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.