监督学习网络中神经输入表征的评估度量
神经与进化计算
2020-03-04 v1
摘要
监督学习长期以来被归因于脑内若干前馈神经回路，其中小脑颗粒层备受关注。本研究的重点是评估这些前馈神经网络的输入活动表征。小脑颗粒细胞的活动由平行纤维传递并转化为浦肯野细胞活动，即小脑皮层的唯一输出。该平行纤维至浦肯野细胞连接处的学习过程使每个浦肯野细胞对一组特定的小脑状态敏感，这些状态由特定时间窗口内的颗粒细胞活动决定。浦肯野细胞对每个神经输入状态变得敏感，进而网络作为一个函数运行，能够通过监督学习对每个给定输入生成期望输出。然而，并非任意浦肯野细胞响应集合都能分配给任意输入状态集合，这受限于网络自身的限制（源于网络神经生物学基质），即并非所有输入输出映射都能被学习。一个限制因素是通过颗粒细胞活动对输入状态的表征。该表征的质量将决定网络学习多样化输出集合的能力。在本研究中，我们提出一种算法，用于根据其表征（颗粒细胞激活模式）定量评估一组给定小脑状态间的兼容性/干扰程度，而无需实际进行仿真与网络训练。算法输入为一个实数矩阵，编码每个状态下所考虑的每个颗粒细胞的活动水平。该表征生成多样化输出集合的能力从几何上评估，从而得到一个评价表征优劣的实数。
引用
@article{arxiv.2003.01588,
title = {A Metric for Evaluating Neural Input Representation in Supervised Learning Networks},
author = {Richard R Carrillo and Francisco Naveros and Eduardo Ros and Niceto R Luque},
journal= {arXiv preprint arXiv:2003.01588},
year = {2020}
}