异常学习算法：通过时间与空间学习稀疏失配表示
人工智能
2017-01-04 v6 神经与进化计算
摘要
预测编码（PDC）近期在神经科学与计算界引起了关注，作为神经元研究与人工神经网络实现（特别是针对无监督学习系统）的候选统一范式。失配负波（MMN）近期也结合 PC 进行了研究，被发现是神经预测编码系统中的有用成分。得益于活体生物的行为，此类网络在形成输入世界的时空转换与不变表示方面尤为有效。然而，大多数神经系统仍未考虑大量突触，尽管已有少数机器学习研究者表明，如果此类系统要正常运行，大量突触是任何神经系统中有效且非常重要的组成部分。我们在此的主要观点是，带有 MMN 效应以及大量突触的 PDC 系统可以极大地改善任何神经学习系统在机器世界中的性能与决策能力。在本文中，受近期大脑认知发现与理论的关键思想及功能特性启发，我们提出了一种新颖的仿生计算智能算法——异常学习算法。我们还通过理论指导下的数值实验展示了，我们发明的仿生算法即使使用极少特定问题的数据也能实现有竞争力的预测。
引用
@article{arxiv.1609.01459,
title = {Deviant Learning Algorithm: Learning Sparse Mismatch Representations through Time and Space},
author = {Emmanuel Ndidi Osegi and Vincent Ike Anireh},
journal= {arXiv preprint arXiv:1609.01459},
year = {2017}
}
备注
Working Paper