多重集神经元
机器学习
2022-04-27 v2
摘要
本工作报告了基于实值 Jaccard 与重合相似度指数及其相应泛函构建的人工神经元的比较性能。为进行比较,还纳入了内部性指数与经典互相关。在介绍与实值多重集及所采用的相似度度量(包括实值 Jaccard 与重合指数向高阶的推广)相关的基本概念后,我们进而研究单个神经元在忽略输出非线性(如 sigmoid)时,对存在位移、放大、强度变化、噪声及额外模式干扰的高斯二维刺激的检测响应。结果表明,实值 Jaccard 与重合方法比内部性指数与经典互相关具有显著更高的鲁棒性与有效性。基于重合的神经元在针对所考虑的数据类型与扰动上表现出最佳的综合性能。多重集神经元在具有挑战性的图像分割问题上的潜力得到进一步说明,取得了令人印象深刻的性价比性能。所报告的概念、方法与结果不仅对模式识别与机器学习,也对神经生物学与神经科学具有重大意义。
引用
@article{arxiv.2111.08516,
title = {Multiset Neurons},
author = {Luciano da F. Costa},
journal= {arXiv preprint arXiv:2111.08516},
year = {2022}
}
备注
21 pages, 32 figures. A preprint of a work submitted to a scientific journal (first revision)