- يادگيري بر اساس تطابق نمونه هاي جديد با نمونه هاي ديده شده
در اكثر طبقه بندها الگوريتم آموزش بر اساس نوعي اصلاح خطا در خروجي بوده و الگوريتم سعي در كم كردن فاصله بين خروجي مطلوب و خروجي واقعي شبكه دارد. به علت خصوصيات ذاتي در اين نوع الگوريتم ها از مشتقات و ماتريسهاي گراديان و… استفاده شده كه بار محاسباتي و الگوريتمي سنگيني به شبكه تحميل مي كند. اما در شبكه هاي ART و ARTMAP الگوريتم آموزش بر اساس تطابق نمونه هاست و نه اصلاح خطاي ايجاد شده. اين امر باعث مي شود با تعريف يك سري قوانين و معيارهاي ساده آموزش براي اندازه گيري اين تطابق،شبكه فاز اموزش را به سرعت طي كرده و بار محاسباتي و الگوريتمي تحميل شده بر سيستم كاهش يابد.
- تعريف لايه اي از گره ها در شبكه به عنوان خوشه به همراه يادگيري افزايشي
اين خاصيت باعث شده كه شبكه بدون فراموش كردن نمونه هاي قبلي قابليت يادگيري نمونه هاي جديد را نيز داشته باشد. علاوه بر اين تعريف گره ها به عنوان خوشه باعث شده كه يادگيري در اين شبكه ها، كيفي باشد بدين معنا كه با تغيير در اندازه خوشه ها، نمونه هاي جديد به خوبي فرا گرفته شده و افزايش تعداد نمونه ها، بندرت منجر به حجيم شدن شبكه مي شود.
- وجود پارامترهاي ذاتي با بازه تغييرات مجاز محدود و عملكرد بهينه شبكه در اكثر نقاط بازه
- تعيين تعداد گره هاي بهينه توسط شبكه به صورت خودكار
اين خاصيت از پوياييهاي ذاتي شبكه هاي ART و ARTMAP محسوب شده و نه تنها طراحي شبكه را بسيار آسان كرده، بلكه قابليت استفاده از آن را در كاربردهاي به هنگام نيز، فراهم ساخته است. به دليل وجوداين ويژگي ذاتي، پيكربندي شبكه هاي مذكور به شدت انعطاف پذير مي باشد.