关键词spike-timing-dependent plasticity
搜索结果 - 6
- 基于时序相关增强塑性的深度无监督学习
使用深度 - STDP 框架,将卷积网络与由 STDP 聚类过程生成的伪标签同时训练,相比于 k-means 聚类方法,在小型图像数据集上准确度提高了 24.56%且收敛速度提高了 3.5 倍。
- AAAI脉冲神经网络实现生物学上可行的序列学习
提出了一种新的持续时间模型 ——McCulloch-Pitts 网络 (MPN), 用于序列学习,在棘突神经网络中,可以利用突触之间的不对称连接进行训练,能够稳健地记忆多个时空模式、二进制图片序列和实验神经脉冲数据的产生模型,并具有生物启发 - 基于局部连接的脉冲神经网络用于无监督特征学习
使用局部连接层和时序性突触可塑性规则的脉冲神经网络 (LC-SNNs) 能够优化图像分类任务,其通过接受来自不同位置输入的竞争性抑制相互交互的方式实现生物神经元的拓扑特征,并在两个图像数据集上表现出先进水平的分类精度并展示了较强的稳健性能。
- 无监督学习分层脉冲神经网络用于光流估计:从事件到全局运动知觉
本文提出了一种基于事件相机的分层尖峰神经网络结构,利用自适应神经元模型和稳定的 STDP 公式,实现了运动(方向和速度)选择的无监督特征提取和局部全局运动感知,验证了在合成和实际事件序列中具有生物视觉运动系统的主要属性,提供了一种能够加速大 - 走向生物学可行的深度学习
本文探讨了一种更具生物学可行性的深度表示学习方法,通过一种基础学习规则(即基于突触权重更新的时序相关型可塑性)引出一种机器学习的梯度下降算法,利用神经元动态学实现了近似的变分 EM 算法,提出了使用去噪自编码器实现梯度的方法,并将其在生成学 - NIPS学习混合均值的选择性的在线算法
我们开发了一种生物上可行的学习规则,称为 Triplet BCM,该规则可证明收敛于一般混合模型的类均值。通过引入来自混合物的三元组(triplets)样本,Triplet BCM 实现了一种新颖的信息处理解释。我们提供了这个学习规则的完整