用于图像数据聚类与分类的格点映射脉冲神经网络（LM-SNN）
神经与进化计算
2019-06-28 v1 人工智能
机器学习
机器学习
摘要
本文引入了一种具有格点架构的脉冲神经网络（SNN），它结合了 SNN 与自组织映射（SOM）的若干理想特性。网络通过受生物启发的无监督学习规则进行训练，借助合作与竞争的兴奋-抑制相互作用获得自组织的滤波器网格。我们开发并测试了多种抑制策略，例如 (i) 在网络训练过程中逐步增加抑制水平，以及 (ii) 在初始训练阶段后将抑制水平从低切换到高（两级）。在标记阶段，由已知标签数据产生的脉冲活动被用于将神经元分配给数据类别，随后用于评估网络在保留测试数据集上的分类能力。我们提出并比较了多种生物学上合理的评估规则，包括群体层面的置信度评级，以及一种受 n-gram 启发的方法。所提出的自组织学习机制的有效性在 MNIST 基准数据集以及通过玩 Atari Breakout 游戏产生的图像上进行了测试。
引用
@article{arxiv.1906.11826,
title = {Lattice Map Spiking Neural Networks (LM-SNNs) for Clustering and Classifying Image Data},
author = {Hananel Hazan and Daniel J. Saunders and Darpan T. Sanghavi and Hava Siegelmann and Robert Kozma},
journal= {arXiv preprint arXiv:1906.11826},
year = {2019}
}
备注
Original Manuscript Submitted: October 30, 2018. Revised: May 28, 2019. Special Issue: "Cognition and Neurocomputation" of Annals of Mathematics and Artificial Intelligence. arXiv admin note: text overlap with arXiv:1807.09374