دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Klampfl S., Legenstein R., Maass W. سری: ناشر: سال نشر: تعداد صفحات: 8 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 599 کیلوبایت
کلمات کلیدی مربوط به کتاب بهینهسازی گلوگاه اطلاعات و استخراج مؤلفههای مستقل با نورونهای Spiking: علوم و مهندسی کامپیوتر، هوش مصنوعی، شبکه های عصبی
در صورت تبدیل فایل کتاب Information Bottleneck Optimization and Independent Component Extraction with Spiking Neurons به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب بهینهسازی گلوگاه اطلاعات و استخراج مؤلفههای مستقل با نورونهای Spiking نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
استخراج مولفههای مستقل آماری از جریانهای ورودی چند حسی با ابعاد بالا، جزء ضروری پردازش حسی در مغز فرض میشود. چنین تجزیه و تحلیل مؤلفه های مستقل (یا جداسازی منبع کور) می تواند بازنمایی کمتر اضافی از اطلاعات مربوط به دنیای بیرونی ارائه دهد. یکی دیگر از استراتژیهای پردازش قدرتمند، استخراج ترجیحی آن دسته از مؤلفهها از جریانهای ورودی با ابعاد بالا است که به سایر منابع اطلاعاتی مرتبط هستند، مانند پیشبینیهای داخلی یا بازخورد حس عمقی. این استراتژی امکان بهینه سازی نمایش داخلی را با توجه به روش گلوگاه اطلاعاتی فراهم می کند. با این حال، قوانین یادگیری ملموسی که این اصول کلی یادگیری بدون نظارت را برای نورونهای spiking اجرا میکنند، هنوز وجود ندارند. ما نشان میدهیم که چگونه بهینهسازی گلوگاه اطلاعات و استخراج مؤلفههای مستقل را میتوان در اصل با نورونهایی که بهطور تصادفی اسپک میکنند با نسوز اجرا کرد. قانون جدید یادگیری که به این امر دست می یابد از اصول بهینه سازی اطلاعات انتزاعی مشتق شده است.
The extraction of statistically independent components from
high-dimensional multi-sensory input streams is assumed to be
an essential component of sensory processing in the brain. Such
independent component analysis (or blind source separation)
could provide a less redundant representation of information
about the external world. Another powerful processing strategy
is to extract preferentially those components from
high-dimensional input streams that are related to other
information sources, such as internal predictions or
proprioceptive feedback. This strategy allows the optimization
of internal representation according to the information
bottleneck method. However, concrete learning rules that
implement these general unsupervised learning principles for
spiking neurons are still missing. We show how both information
bottleneck optimization and the extraction of independent
components can in principle be implemented with stochastically
spiking neurons with refractoriness. The new learning rule that
achieves this is derived from abstract information optimization
principles.