利用脉冲时序依赖可塑性学习动态玻尔兹曼机
神经与进化计算
2015-09-30 v1 人工智能
机器学习
机器学习
摘要
我们提出一种结构特殊的玻尔兹曼机，称之为动态玻尔兹曼机（DyBM），作为多维时间序列的随机模型。DyBM 可具有无限多层单元，但当其参数具有所提出的结构时，允许精确且高效的推断与学习。该结构的提出源于生物神经网络的假设与观察，即突触权重根据脉冲时序而增强或减弱（即脉冲时序依赖可塑性，STDP）。我们证明，沿最大化给定时间序列似然的方向更新 DyBM 参数的学习规则，可解释为具有长时程增强和长时程抑制的 STDP。该学习规则具有收敛保证，并可以分布式方式（即空间局部）在有限记忆（即时间局部）下执行。
引用
@article{arxiv.1509.08634,
title = {Learning dynamic Boltzmann machines with spike-timing dependent plasticity},
author = {Takayuki Osogami and Makoto Otsuka},
journal= {arXiv preprint arXiv:1509.08634},
year = {2015}
}
备注
Preliminary and substantially different version of the paper appeared in http://www.nature.com/articles/srep14149