STDP enables spiking neurons to detect hidden causes of their inputs

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Nessler B.,  Pfeiffer M.,  Maass W.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 9 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 199 کیلوبایت 

قیمت کتاب (تومان) : 45,000

مؤسسه علوم کامپیوتر نظری، دانشگاه فناوری گراتس اصولی که بر اساس آن نورون‌های spiking به قدرت محاسباتی حیرت‌انگیز
ریزمدارهای عمومی قشر مغز کمک می‌کنند، و چگونگی افزایش انعطاف پذیری وابسته به زمان (STDP) وزن های سیناپسی می تواند این تابع محاسباتی را ایجاد و حفظ کند، ناشناخته است. ما در اینجا نشان می‌دهیم که STDP، همراه با
مدار تصادفی نرم برنده همه چیز (WTA)، نورون‌های spiking را وادار می‌کند تا از طریق وزن‌های سیناپسی خود مدل‌های داخلی ضمنی برای زیر کلاس‌ها (یا
) ایجاد کنند. علل) الگوهای سنبله با ابعاد بالا صدها نورون پیش سیناپسی.
بنابراین این نورون ها پس از یادگیری هر زمان که ورودی فعلی بهترین
با مدل داخلی آنها مطابقت داشته باشد، فعال می شوند. عملکرد محاسباتی حاصل از مدارهای نرم WTA
، یک موتیف شبکه رایج از ریزمدارهای قشر مغز، می‌تواند کاهش ابعادی شدید جریان‌های اطلاعاتی همراه با ایجاد مدل‌های داخلی مستقل باشد. توزیع احتمال الگوهای ورودی آنها. ما نشان می‌دهیم که تولید و نگهداری مستقل این تابع محاسباتی را می‌توان بر اساس اصول دقیق ریاضی توضیح داد. به طور خاص، ما نشان می‌دهیم که STDP می‌تواند یک الگوریتم تصادفی
آنلاین انتظار-بیشینه‌سازی (EM) را برای مدل‌سازی داده‌های ورودی تقریبی کند. یک
نتیجه مربوطه برای یادگیری هبی در شبکه های عصبی مصنوعی نشان داده شده است.

Institute for Theoretical Computer Science, Graz University of Technology The principles by which spiking neurons contribute to the astounding computational
power of generic cortical microcircuits, and how spike-timing-dependent
plasticity (STDP) of synaptic weights could generate and maintain this computational
function, are unknown. We show here that STDP, in conjunction with
a stochastic soft winner-take-all (WTA) circuit, induces spiking neurons to generate
through their synaptic weights implicit internal models for subclasses (or
causes) of the high-dimensional spike patterns of hundreds of pre-synaptic neurons.
Hence these neurons will fire after learning whenever the current input best
matches their internal model. The resulting computational function of soft WTA
circuits, a common network motif of cortical microcircuits, could therefore be
a drastic dimensionality reduction of information streams, together with the autonomous
creation of internal models for the probability distributions of their input
patterns. We show that the autonomous generation and maintenance of this
computational function can be explained on the basis of rigorous mathematical
principles. In particular, we show that STDP is able to approximate a stochastic
online Expectation-Maximization (EM) algorithm for modeling the input data. A
corresponding result is shown for Hebbian learning in artificial neural networks.