مشخصات کتاب

Information Bottleneck Optimization and Independent Component Extraction with Spiking Neurons

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.

توضیحاتی در مورد کتاب بهینه‌سازی گلوگاه اطلاعات و استخراج مؤلفه‌های مستقل با نورون‌های Spiking

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.

توضیحاتی درمورد کتاب به خارجی

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.

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Survey of the State of the Art in Human Language Technology

دانلود کتاب Developments in Speech Synthesis

دانلود کتاب Interpretability of Computational Intelligence-Based Regression Models

دانلود کتاب Formal Semantics and Pragmatics for Natural Language Querying

دانلود کتاب A Many-Valued Approach to Deduction and Reasoning for Artificial Intelligence

دانلود کتاب Face Recognition: From Theory to Applications

دانلود کتاب Computer-Based Problem Solving Process

دانلود کتاب Practical Handbook of Genetic Algorithms: Complex Coding Systems, Volume III

دانلود کتاب Intelligent big multimedia databases

دانلود کتاب Self-Organizing Maps