隐时间自适应漂移-扩散模型
机器学习
2021-06-08 v1
摘要
动物能够快速学习固定间隔事件的时间，且其习得速率不依赖于间隔长度。相比之下，使用基于梯度的学习的循环神经网络难以预测依赖于很久以前出现的刺激的事件时序。我们提出隐时间自适应漂移-扩散模型（LTDDM），作为时间自适应漂移-扩散模型（TDDM）——一种展现与动物实验数据一致的行为特性的动物时序学习模型——的扩展。在三项时序任务上，将 LTDDM 的性能与最先进的长短期记忆（LSTM）循环神经网络进行比较。讨论了这两种模型相对性能的差异，并展示了 LTDDM 学习这些事件时间序列比循环神经网络快数个数量级。
引用
@article{arxiv.2106.02742,
title = {Latent Time-Adaptive Drift-Diffusion Model},
author = {Gabriele Cimolino and Francois Rivest},
journal= {arXiv preprint arXiv:2106.02742},
year = {2021}
}