用于鸡尾酒会效应与 McGurk 效应的模体拓扑改进脉冲神经网络
神经与进化计算
2022-11-16 v1 机器学习
信号处理
摘要
网络架构和学习原理在人工神经网络（ANN）和脉冲神经网络（SNN）中形成复杂功能方面起着关键作用。SNN 被认为是通过比 ANN 包含更多生物学特征（包括动态脉冲神经元、功能专门化架构和高效学习范式）的新一代人工网络。网络架构也被视为体现网络的功能。在此，我们提出一种模体拓扑改进的 SNN（M-SNN），用于高效的多感官整合与认知现象模拟。我们模拟的认知现象包括鸡尾酒会效应和 McGurk 效应，二者已被众多研究者讨论。我们的 M-SNN 由称为网络模体的元算子构成。3 节点网络模体拓扑的来源是从空间或时间数据集预先学习的人工拓扑。在单感官分类任务中，结果表明使用网络模体拓扑的 M-SNN 准确率高于不使用它们的纯前馈网络拓扑。在多感官整合任务中，使用人工网络模体的 M-SNN 性能优于使用 BRP（生物学合理奖励传播）的当前最优 SNN。此外，M-SNN 能以更低计算成本更好地模拟鸡尾酒会效应和 McGurk 效应。我们认为人工网络模体可视为某种先验知识，有助于 SNN 的多感官整合，并为模拟认知现象提供更多益处。
引用
@article{arxiv.2211.07641,
title = {Motif-topology improved Spiking Neural Network for the Cocktail Party Effect and McGurk Effect},
author = {Shuncheng Jia and Tielin Zhang and Ruichen Zuo and Bo Xu},
journal= {arXiv preprint arXiv:2211.07641},
year = {2022}
}