异步训练的分布式拓扑地图

Jan, 2023

Asynchronously Trained Distributed Topographic Maps

Abbas Siddiqui, Dionysios Georgiadis

TL;DR提出一种基于自主单元、分布式异步训练、电路驱动的权重更新方案以及启发式搜索的算法，使得拓扑特征图的训练在无需中央控制和同步执行的条件下实现，可进行可扩展的大规模数据集处理，同时实验结果表明算法在多个数据集上的分类任务中性能表现稳定。

Abstract

topographic feature maps are low dimensional representations of data, that preserve spatial dependencies. Current methods of training such maps (e.g. self organizing maps - SOM, generative topographic maps) require centralized control and synchronous execution, which restricts scalabil

topographic feature maps autonomous units distributed asynchronous training avalanche adaptation heuristic search

发现论文，激发创造

一种确定性自组织映射方法及其在基于卫星数据的云类型分类中的应用

本篇研究探讨了一种补充标准自组织映射的确定性方法，并通过卫星云数据的实验结果，展示了这种方法在数据组织和简化方面的有效性和高效性。

Aug, 2018

自组织映射中的拓扑投影最小监督学习

我们提出了一种基于自组织映射中的拓扑投射的半监督学习方法，通过利用大规模未标记数据集中的信息，显著减少了进行参数预测所需的标记数据点数量，从而有效降低了在某些领域（如电力系统、医学和工程学）中获取地面实况标记的成本。

Jan, 2024

基于神经仿生无任务无监督在线学习的自维持映射模型

持续学习中的难题是灾难性遗忘，特别是在人工神经网络（ANNs）等无监督架构中，我们提出了一种称为连续自组织映射（CSOM）的泛化模型来解决这一问题。CSOM 在低内存预算下实现在线无监督学习，在多个基准测试中获得了准确性提高近两倍以及用于自动类别增量学习设置的最新技术成果。

Feb, 2024

非欧几里得自组织映射

本文提出了一种应用于非欧式几何的 SOM 算法，其拓扑相关扩展改善了传统 SOM 算法，可用于维度约简、聚类或在大数据中寻找相似性。

Sep, 2021

利用自组织映射在神经网络中寻找概念表示

神经网络学习过程中，通过自组织映射可以视觉和计算地检测神经网络各层激活向量与抽象概念之间的对应关系，并且相对熵可以用作一种合适的方法来识别和定位概念的神经表示，实现概念的可视化并理解其在解决预测任务中的重要性。

Dec, 2023

利用自组织映射（SOMs）对等离子体子团不稳定性的完全动力学模拟进行无监督分类

本文介绍了如何利用基于自组织映射（Self-Organizing Maps，SOM）的聚类方法来分析近期产生的空间物理过程的大量仿真和观测数据，并得出了聚类图，该图可以很好地定位整个过程中各个区域的特征，因此该方法是一种有前途的数据分析工具，可以用于空间物理过程的仿真和观测数据的分析。

Apr, 2023

通过自组织高斯混合模型实现增量多模式表面映射

本文介绍了一种增量多模式表面映射方法，将环境表示为连续的概率模型。该方法利用高斯混合模型（GMMs）表示环境，通过空间哈希图提取 GMM 子地图，并确定点云中的相关和冗余数据，从而提高计算速度和地图的准确性。评估使用模拟和真实数据，该软件开源供机器人社区使用。

Sep, 2023

多智能体探索的主动神经拓扑映射

在这篇论文中，我们提出了一种名为 MANTM（Multi-Agent Neural Topological Mapping）的方法，用于改善多智能体探索任务的效率和泛化能力，通过构建包含主要节点和对应虚拟节点的图形，以及使用图神经网络从粗到细的方式捕捉智能体与图节点之间的相关性进行全局目标选择。通过在模拟器 Habitat 中进行广泛实验，我们发现 MANTM 在未见过的场景中，相比于基于规划和基于强化学习的竞争方法，可以将步骤至少减少 26.40％和 7.63％。

Nov, 2023

评估自组织映射可靠性的统计工具

本文介绍了一些工具，用于测试特定自组织映射结果的置信度，测量自组织映射的量化误差和邻域关系，并且这些工具还可以用于客观测量自组织映射与其他神经网络模型相比更不敏感的情况。

Jan, 2007

基于端到端地形网络的皮层地图形成模型与人类视觉行为：超越卷积

计算模型在理解灵长类视觉系统的拓扑结构和功能方面起着重要作用。本研究通过发展全拓扑神经网络（All-TNNs）克服了传统卷积神经网络在学习空间特征时忽略拓扑的限制。实验结果表明，All-TNNs 在视觉输入训练后呈现出灵长类拓扑的特征，包括平滑的方向映射、皮层放大以及类别选择性区域。此外，研究中引入了人类在目标识别中的空间偏倚性新数据集，能够将模型与行为直接联系起来。通过与先前最先进的卷积模型相比，实验结果显示 All-TNNs 更好地与人类行为一致，说明 All-TNNs 对于理解视觉大脑的空间结构及其在视觉行为中的作用是一个重要的步骤。

Aug, 2023