在脉冲神经网络中通过神经调制突触可塑性学习如何在线学习
神经与进化计算
2022-06-29 v2 机器学习
摘要
我们提出，为了将我们对神经科学的理解用于机器学习，必须首先拥有训练类脑学习模型的强大工具。尽管在理解大脑中学习的动力学方面已取得实质性进展，但源自神经科学的学习模型尚未展现出与深度学习中的梯度下降等方法同等的性能能力。受使用梯度下降的机器学习成功的启发，我们证明了神经科学中的神经调制突触可塑性模型可以在脉冲神经网络（SNNs）中通过梯度下降的学习到学习框架进行训练，以解决具有挑战性的在线学习问题。该框架为开发受神经科学启发的在线学习算法开辟了一条新路径。
引用
@article{arxiv.2206.12520,
title = {Learning to learn online with neuromodulated synaptic plasticity in spiking neural networks},
author = {Samuel Schmidgall and Joe Hays},
journal= {arXiv preprint arXiv:2206.12520},
year = {2022}
}