用于有效时间分类的神经群体编码
神经与进化计算
2019-09-27 v2 神经元与认知
摘要
神经编码在忠实描述时间丰富模式中起着重要作用，其实例包括人类语音与环境声音。对于涉及使用脉冲神经网络（SNNs）对此类时空模式进行分类的任务，这些模式如何被编码直接影响任务的难度。在本文中，我们比较了几种现有的时间与群体编码方案，并在语音（TIDIGITS）与声音（RWCP）数据集上对其进行了评估。我们表明，借助群体神经编码，所编码的模式可使用支持向量机（SVM）线性分离。我们注意到群体神经编码将时间信息有效地投影到空间域，从而改善了空间维度上的线性可分性，使用 SVM 分类 TIDIGITS 与 RWCP 数据集分别达到了 95\% 与 100\% 的准确率。该观察表明，有效的神经编码方案极大简化了分类问题，使得简单线性分类器即已足够。上述数据集随后使用基于 SNN 的分类器 Tempotron 进行分类。SNN 分类结果同意 SVM 的发现，即群体神经编码有助于提升分类准确率。因此，除学习算法外，有效的神经编码与为识别时空模式而设计的 SNN 同样重要。它是一种常被忽视但强大的抽象，值得进一步研究。
引用
@article{arxiv.1909.08018,
title = {Neural Population Coding for Effective Temporal Classification},
author = {Zihan Pan and Jibin Wu and Yansong Chua and Malu Zhang and Haizhou Li},
journal= {arXiv preprint arXiv:1909.08018},
year = {2019}
}