由皮层仿生构成的分层事件记忆体结构

本文提出了一种新的机器学习方法，侧重于无监督的连续、上下文依赖的复杂模式学习。尽管该方案部分受到肉毛膜大脑结构和功能特性的启发，但我们并不声称生物系统以类似方式工作（或相反）。基于小脑皮层及相邻结构的某些特性，本文提出了适用于实际问题的方案。定义并实验测试一种能够识别和预测复杂时序序列的合成结构。该系统高度依赖预测，以帮助基于先前获取的上下文知识识别和学习模式。作为概念证明，本文展示了该系统能够在无任何先验知识的情况下，学习、识别和预测相当复杂的时序序列，如人类语言。从原始数据出发，无需对核心算法进行任何适应，系统能够从一组西班牙语句子中识别某些语言结构。与传统机器学习不同，该方案需要的训练数据较少。虽然该想法可用于受限问题（如检测未知词汇），但也可用于更多应用场景，如视觉，或通过纳入缺失的生物感器器材，融入其他机器学习技术。由于使用了平凡的计算原语，硬件实现潜在上非常节省资源。顺便说一下，所提出的模型不仅符合生物系统的可信功能框架，还可能解释许多难以捉摸的认知现象。