抑制性神经元环路可控制突触可塑性的符号
通过对多区域神经元网络模型的介绍,本研究提出了一种新的突触可塑性学习规则,通过基础树突上的突触修饰实现错误反向传递从而学习。并且在该框架中加入一种去抑制机制,使得该框架能够生成噪声和关注感和一些其它学习任务。
Dec, 2017
本文基于深度学习和神经科学,介绍了一种多层神经元网络模型,该模型利用简化的树突区,实现误差驱动的突触可塑性,在时间上持续地通过局部树突预测误差进行突触学习,进而解决了长期以来的突触学分配问题,并在回归和分类任务中证明模型的学习能力。
Oct, 2018
受生物神经元可塑性启发,我们提出了一种搜索方法,通过寻找突触特异的赫比学习规则,使网络能在智能体的生命周期内持续自组织其权重,从而实现在一些强化学习任务中取得成功,同时对多种感官模态处理方式具有适应性。
Jul, 2020
本文提出了一种基于脑类的无监督局部学习规则VDSP,旨在在神经形态硬件上在线实现Hebb氏可塑性机制。该规则能够有效降低权值上的爆炸或消失,并且证明了在手写数字识别任务方面,其具有明显的优越性。
Mar, 2022
本研究提出一种基于神经科学机制实现随机反向传播的框架,该框架采用三种类型的元件和两种类型的突触连接来计算和传播错误信号,并支持全局定义的尖峰误差函数的多层尖峰神经网络的训练。使用局部部件中操作的Hebb定律来更新突触权值并以生物学可行的方式实现监督学习。最后,从优化的角度解释了提出的框架并显示其等效于符号一致反馈对齐。
May, 2022
本文提出了一种使用可塑性规则的基于循环神经网络的模型,能够自适应地根据不断变化的经验调整参数,并在关联学习和有限次学习等方面表现出色,其中全局梯度可塑性规则比局部Hebbian可塑性规则能更好地推断底层映射。
Feb, 2023
提出了一种基于突触可塑性动态的学习规则,该规则通过融合强化学习和非监督学习模拟误差反馈机制和两个重要机制,包括错误反馈系统以及非监督学习。
Mar, 2023
脑的学习机制中最引人注目的能力之一是通过结构和功能可塑性对其突触进行适应。然而,大多数用于人工神经网络的可塑性模型专注于突触而非神经元,因此优化了突触特定的 Hebbian 参数。为了克服这个限制,我们提出了一种新的可塑性模型,称为神经元为中心的 Hebbian 学习 (NcHL),其中优化专注于神经元特定的 Hebbian 参数。和 ABCD 规则相比,NcHL 将参数数量从 5W 减少到 5N,其中 W 和 N 分别为权重和神经元的数量,通常 N 远小于 W。在两个机器人运动任务的实验证明,尽管使用的参数数量少得多(约为 97 倍),但 NcHL 与 ABCD 规则的性能相当,因此具有可扩展的可塑性。
Feb, 2024
通过介绍一种新的神经可塑性规则,该研究提供了一种在大脑中实现反向传播的潜在机制,并在数学模拟和人工神经网络实验中证明该规则在网络中诱导出不同的社区结构,从而呈现出一种生物学上可行的 BP 实现方式。
May, 2024