La rappresentazione topologica non stazionaria può essere affrontata in due modi, a seconda dell’applicazione: modellazione permanente (life-long) o  trascurare il passato (forgetting the past).

L’apprendimento permanente richiede reti neurali dotate di uno strumento per giudicare se un neurone deve essere creato per tracciare la distribuzione di input. Viene sempre implementato come criterio isotropico (un’ipersfera centrata sul vettore dei pesi del vincitore rappresenta il dominio del neurone).

Invece, la rete neurale G-EXIN, qui presentata, utilizza un politopo convesso anisotropico, che modellizza la forma del vicinato di neuroni.

Questa idea consente di considerare i confini delle serie di dati Voronoi e controlla l’estensione dell’estrapolazione. Impiega anche un nuovo tipo di bordo, chiamato bridge, che trasporta informazioni sull’entità del cambiamento del tempo di distribuzione. In effetti, l’analisi dei bridges, principalmente la loro densità, offre una visione più profonda del tipo di non stazionarietà.

Sia nel caso di esempi artificiali che reali si ottengono dei vantaggi dall’utilizzo di questa rete rispetto alla ESOINN, che rappresenta il miglior approccio esistente alla modellistica long-life.