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: Buesing L., 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: 385 کیلوبایت
کلمات کلیدی مربوط به کتاب قوانین ساده شده و تحلیل نظری برای بهینهسازی گلوگاه اطلاعات و PCA با نورونهای Spiking: علوم و مهندسی کامپیوتر، هوش مصنوعی، شبکه های عصبی
در صورت تبدیل فایل کتاب Simplified Rules and Theoretical Analysis for Information Bottleneck Optimization and PCA 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 قوانین ساده شده و تحلیل نظری برای بهینهسازی گلوگاه اطلاعات و PCA 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.
ما نشان میدهیم که تحت مفروضات مناسب (عمدتاً خطیسازی) یک
قانون یادگیری آنلاین ساده و واضح برای بهینهسازی گلوگاه اطلاعات
با نورونهای spiking میتواند مشتق شود. این قانون بر روی وظایف
معیار رایج و همچنین یک قانون نسبتاً پیچیده که قبلاً پیشنهاد شده
است، اجرا می شود. علاوه بر این، شفافیت این قانون یادگیری جدید،
تحلیل نظری
خواص همگرایی آن را امکان پذیر می کند. تغییری از این قانون
یادگیری (با تغییرات علامت) روشی تئوری برای انجام تجزیه و تحلیل
مؤلفه اصلی (PCA) با نورونهای اسپک ارائه میکند. با اعمال این
قانون برای مجموعه ای از نورون ها، می توان اجزای اصلی مختلف
ورودی را استخراج کرد. علاوه بر این، می توان ترجیحا آن اجزای
اصلی را از سیگنال های دریافتی X که به برخی از سیگنال هدف اضافی
YT مرتبط هستند یا مرتبط نیستند، استخراج کرد. در یک تفسیر
بیولوژیکی، این سیگنال هدف YT (که متغیر ارتباط نیز نامیده
میشود) میتواند بازخورد حس عمقی، ورودی از سایر روشهای حسی یا
سیگنالهای از بالا به پایین را نشان دهد.
We show that under suitable assumptions (primarily
linearization) a simple and perspicuous online learning rule
for Information Bottleneck optimization with spiking neurons
can be derived. This rule performs on common benchmark tasks as
well as a rather complex rule that has previously been
proposed. Furthermore, the transparency of this new learning
rule makes a theoretical analysis of
its convergence properties feasible. A variation of this
learning rule (with sign changes) provides a theoretically
founded method for performing Principal Component Analysis
(PCA) with spiking neurons. By applying this rule to an
ensemble of neurons, different principal components of the
input can be extracted. In addition, it is possible to
preferentially extract those principal components from incoming
signals X that are related or are not related to some
additional target signal YT. In a biological interpretation,
this target signal YT (also called relevance variable) could
represent proprioceptive feedback, input from other sensory
modalities, or top-down signals.