基于生物仿生的自适应神经元用于人工神经网络的动态权重分配
神经与进化计算
2025-09-23 v2 机器学习
摘要
传统神经网络在推理过程中使用固定权重，限制了其对变化输入条件的适应能力，与生物神经元不同后者可根据刺激动态调整信号强度。这一人工神经元与生物神经元之间的差异限制了神经网络的灵活性和适应性。为弥合这一差距，我们提出了一种自适应神经网络框架，其中神经元权重被建模为输入信号的函数，使网络能够实时动态调整。重要的是，我们在保持人工神经网络传统架构结构 Familiarity 的同时实现了这种自适应。我们应用切比雪夫多项式作为实现自适应权重机制的多种分解方法之一，训练期间学习多项式系数。在测试145个数据集后，我们的自适应切比雪夫神经网络在约8%的情况下优于等效的多层感知器（MLP），在121个数据集上表现严格更好。在其余24个数据集中，该算法的性能与MLP相同，凸显其在保持标准神经网络行为的同时提供增强适应性的能力。作为MLP的通用形式，该模型在必要时无缝保留MLP性能，同时扩展了其能力以实现广泛复杂任务的更高精度。这些结果凸显了自适应神经元在提升神经网络的泛化、灵活性和鲁棒性方面的潜力，特别是在动态或非线性数据依赖关系的应用中。
引用
@article{arxiv.2412.01454,
title = {Bio-Inspired Adaptive Neurons for Dynamic Weighting in Artificial Neural Networks},
author = {Ashhadul Islam and Abdesselam Bouzerdoum and Samir Brahim Belhaouari},
journal= {arXiv preprint arXiv:2412.01454},
year = {2025}
}