一种用于在线无监督聚类的神经形态范式
神经与进化计算
2020-05-11 v1 新兴技术
机器学习
机器学习
摘要
本文提出了一种基于神经科学概念的计算范式，并证明其具备在线无监督聚类的能力。作为一种在线方法，它非常适合流式实时应用，并且能够动态适应宏观层面的输入变化。所有操作，无论是训练还是推理，都是局部且高效的。该范式被实现为一个包含五个关键要素的认知柱：1) 时间编码，2) 用于推理的兴奋性神经元模型，3) 胜者通吃抑制，4) 结合兴奋与抑制的柱状架构，5) 通过脉冲时序依赖可塑性（STDP）实现的局部训练。本文对这些要素进行了描述与讨论，并给出了一个原型柱。该原型柱通过半合成基准进行了模拟，结果显示其性能特征与经典 k-means 相当。模拟揭示了该柱的内部运作机制与能力，重点展示了兴奋性神经元响应函数和 STDP 实现。
引用
@article{arxiv.2005.04170,
title = {A Neuromorphic Paradigm for Online Unsupervised Clustering},
author = {James E. Smith},
journal= {arXiv preprint arXiv:2005.04170},
year = {2020}
}
备注
Submitted to 53rd IEEE/ACM International Symposium on Microarchitecture