AHA！一种用于情景机器学习的“人工海马算法”
神经与进化计算
2020-03-26 v5 机器学习
神经元与认知
机器学习
摘要
大多数机器学习研究关注从大型带标签数据集中对独立同分布样本进行缓慢的统计学习。动物并非如此学习。动物学习的一个令人羡慕的特征是“情景式”学习——仅经过一次体验，无需提供标签，就能将特定经验作为已有概念的组合来记忆。随后，新知识可用于区分相似经验、在类别间泛化，以及选择性巩固至长期记忆。已知海马体对这些能力至关重要。AHA 是一种生物学上合理的海马体计算模型。与大多数机器学习模型不同，AHA 无需外部标签训练，且仅使用局部信用分配。我们在 Omniglot 一次性分类基准的超集上演示了 AHA。该扩展基准通过测试模式分离、补全和原始输入回忆，涵盖了更广范围的海马已知功能。这些功能均在该计算模型的单一配置内完成。尽管有这些约束，图像分类结果仍可与常规深度卷积 ANN 相媲美。
引用
@article{arxiv.1909.10340,
title = {AHA! an 'Artificial Hippocampal Algorithm' for Episodic Machine Learning},
author = {Gideon Kowadlo and Abdelrahman Ahmed and David Rawlinson},
journal= {arXiv preprint arXiv:1909.10340},
year = {2020}
}