通过脉冲时序依赖可塑性学习二值或实值时间序列
神经与进化计算
2016-12-16 v1 机器学习
摘要
动态玻尔兹曼机（DyBM）已被提出作为脉冲神经网络的模型，其通过最大化给定时间序列对数似然的学习规则已被证明展现出脉冲时序依赖可塑性（STDP）的关键特性，该可塑性在神经科学领域被假定并实验证实为一种精炼赫布规则的学习规则。在此，我们放宽 DyBM 中的某些约束，使其更适于计算与学习。我们表明 DyBM 的学习可视为针对二值时间序列的逻辑回归。我们还展示了 DyBM 如何以高斯 DyBM 的形式学习实值数据，并讨论了其与向量自回归（VAR）模型的关系。高斯 DyBM 通过使用额外的解释变量扩展了 VAR，这些变量对应于 DyBM 的资格迹并捕捉时间序列的长期依赖。数值实验表明高斯 DyBM 相比 VAR 显著提升了预测精度。
引用
@article{arxiv.1612.04897,
title = {Learning binary or real-valued time-series via spike-timing dependent plasticity},
author = {Takayuki Osogami},
journal= {arXiv preprint arXiv:1612.04897},
year = {2016}
}
备注
This paper was accepted and presented at Computing with Spikes NIPS 2016 Workshop, Barcelona, Spain, December 2016