用于时间序列的 Boltzmann 机
神经与进化计算
2019-01-21 v3
摘要
我们回顾了扩展用于时间序列的 Boltzmann 机。这些模型通常具有循环结构，并使用沿时间反向传播 (BPTT) 来学习其参数。然而，在线学习中 BPTT 的每步计算复杂度随先前时间序列的长度线性增长（即学习规则在时间上是非局部的），这限制了 BPTT 在在线学习中的适用性。随后我们回顾了动态 Boltzmann 机 (DyBMs)，其学习规则在时间上是局部的。DyBM 的学习规则与脉冲时序依赖可塑性 (STDP) 相关，后者已被假设并在生物神经网络中得到实验证实。
引用
@article{arxiv.1708.06004,
title = {Boltzmann machines for time-series},
author = {Takayuki Osogami},
journal= {arXiv preprint arXiv:1708.06004},
year = {2019}
}
备注
Version 1.0.1. 33 pages. The topics covered in this paper are presented in Part III of IJCAI-17 tutorial on energy-based machine learning. https://researcher.watson.ibm.com/researcher/view_group.php?id=7834