4. Evidential Response. Dalam konteks klasifikasi pola, jaringan saraf dapat
dirancang untuk memberikan informasi tidak hanya tentang pola yang khusus, tetapi juga kepercayaan confidence tentang keputusan yang
dibuat. Informasi yang terakhir ini dapat digunakan untuk menolak pola ambigu, dengan demikian meningkatkan kinerja klasifikasi jaringan.
5. Contextual Information. Pengetahuan direpresentasikan oleh struktur dan
aktivasi dari jaringan saraf. Setiap neuron dalam jaringan berpotensi dipengaruhi oleh aktivitas global semua neuron lain dalam jaringan.
Akibatnya, informasi kontekstual ditangani secara alami oleh jaringan saraf.
6. Fault Tolerance. Jaringan saraf yang diimplementasikan pada bentuk
hardware, memiliki potensi untuk bersifat fault tolerant toleran terhadap kesalahan, dalam arti bahwa kinerjanya menurun dalam kondisi operasi
buruk. Contohnya, jika neuron atau link penghubung rusak, pemanggilan pola yang tersimpan akan terganggu kualitasnya. Berhubungan denga sifat
distribusi informasi yang tersimpan dalam jaringan, kerusakan harus segera diperbaiki sebelum respon keseluruhan jaringan menurun secara drastis.
Pada prinsipnya, sebuah jaringan saraf menunjukkan penurunan dalam kinerjanya. Ada beberapa bukti empiris untuk komputasi yang kuat, tetapi
biasanya hal ini tidak terkendali. Untuk memastikan bahwa jaringan saraf toleran terhadap kesalahan, mungkin perlu untuk membuat pengukuran
kolektif dalam merancang algoritma yang digunakan untuk melatih jaringan.
7. VLSI Implementability. Sifat dasar dari jaringan saraf tiruan yang parallel
membuatnya berpotensi untuk mengkomputasikan tugas-tugas tertentu dengan cepat. Fitur yang sama ini membuat jaringan saraf tiruan tepat pada
implementasi penggunaan teknologi VLSI Very Large Scale Integrated. Salah satu manfaat dari VLSI adalah menyediakan sebuah cara untuk
mendapatkan sebuah tingkah laku yang kompleks dalam sebuah kebiasaan yang hirarki.
8. Uniformity of Analysis and Design. Pada dasarnya, jaringan saraf tiruan