一种用于脉冲神经网络的在线无监督结构可塑性算法
神经与进化计算
2015-12-07 v1
摘要
在本文中，我们提出了一种新颖的赢者通吃(Winner-Take-All, WTA)架构，其采用具有非线性树突的神经元以及一种用于训练该架构的在线无监督结构可塑性规则。此外，为了辅助硬件实现，我们的网络仅使用二值突触。所提出的学习规则受脉冲时间依赖可塑性(spike time dependent plasticity, STDP)启发，但会根据每个树突的激活水平而不同。它通过形成和消除输入与突触之间的连接来训练 WTA 网络。为了展示所提网络和学习规则的性能，我们将其用于解决随机泊松脉冲时间输入的二分类、四分类和六分类问题。结果表明，通过适当调节 WTA 的抑制时间常数，可以实现网络特异性和敏感性之间的权衡。我们利用抑制时间常数来设定每个待检测模式所需的子模式数量。我们表明，在不进行模式细分时，二分类、四分类和六分类的成功试验比例分别为 92%、88% 和 82%，而当每个模式被细分为 5 或 10 个子模式时，该比例上升至 100%。然而，前一种无模式细分的情形比后几种情形对抖动更具鲁棒性。
引用
@article{arxiv.1512.01314,
title = {An Online Unsupervised Structural Plasticity Algorithm for Spiking Neural Networks},
author = {Subhrajit Roy and Arindam Basu},
journal= {arXiv preprint arXiv:1512.01314},
year = {2015}
}
备注
11 pages, 10 figures, journal