مشخصات کتاب

Simplified Rules and Theoretical Analysis for Information Bottleneck Optimization and PCA with Spiking Neurons

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.

توضیحاتی در مورد کتاب قوانین ساده شده و تحلیل نظری برای بهینه‌سازی گلوگاه اطلاعات و PCA با نورون‌های Spiking

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.

توضیحاتی درمورد کتاب به خارجی

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.

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Real Life Applications of Soft Computing

دانلود کتاب Gnuplot in Action, 2nd Edition: Understanding data with graphs

دانلود کتاب Machine Learning and Data Mining for Computer Security: Methods and Applications

دانلود کتاب An Introduction to Pattern Recognition

دانلود کتاب Programming PyTorch for Deep Learning: Creating and Deploying Deep Learning Applications

دانلود کتاب Methods and Instruments of Artificial Intelligence

دانلود کتاب New Trends in Classification and Data Mining

دانلود کتاب Neural Network Toolbox For Use with MATLAB

دانلود کتاب Error Estimation for Pattern Recognition

دانلود کتاب Computer vision and applications