通过概率性脉冲时间依赖可塑性获取视觉特征
摘要
本文的最终版本已发表在 IEEEXplore，可通过 http://ieeexplore.ieee.org/document/7727213 获取。请按如下方式引用本文：Amirhossein Tavanaei, Timothee Masquelier, and Anthony Maida, Acquisition of visual features through probabilistic spike-timing-dependent plasticity. IEEE International Joint Conference on Neural Networks. pp. 307-314, IJCNN 2016。本文探讨了对腹侧视觉通路的一个前馈五层脉冲卷积网络（SCN）[Masquelier, T., Thorpe, S., Unsupervised learning of visual features through spike timing dependent plasticity. PLoS Computational Biology, 3(2), 247-257] 的修改。原始模型表明，嵌入在适当选择的 SCN 中的脉冲时间依赖可塑性（STDP）学习算法可以执行无监督特征发现。发现的特征是可解释的，并能有效地用于在分类器中执行快速二值决策。为了研究先前结果的鲁棒性，本研究考察了修改原始模型某些组成部分的影响。为了提高生物真实性，我们用类 Izhikevich 神经元替换了原始的无泄漏整合发放神经元。我们还用一种具有概率解释的新规则替换了原始的 STDP 规则。对于两种类型的模型神经元，概率性 STDP 都轻微但显著地提高了性能。未发现使用类 Izhikevich 神经元能提高性能，尽管其性能仍可与 IF 神经元相媲美。这表明该模型足够鲁棒，能够处理更具生物真实性的神经元。我们还得出结论，尽管模型的显式组成部分发生了明显变化，但模型中稳定性能的根本原因得以保留。
引用
@article{arxiv.1606.01102,
title = {Acquisition of Visual Features Through Probabilistic Spike-Timing-Dependent Plasticity},
author = {Amirhossein Tavanaei and Timothee Masquelier and Anthony S Maida},
journal= {arXiv preprint arXiv:1606.01102},
year = {2016}
}
备注
IEEE-IJCNN 2016