演化自组装神经网络：从自发活动到经验依赖学习
计算机视觉与模式识别
2024-06-17 v1
摘要
生物神经网络以其高度可塑性著称，这一核心属性使自然生物体的适应性成为卓越的。重要的是，这一能力同时影响突触强度和神经系统拓扑结构。相比之下，人工神经网络主要设计为静态的、完全连接的结构，在面对变化的环境和新输入时往往难以适应。基于前期关于神经发育计划(NDP)的工作，我们提出了一类具备突触和结构塑性的自组织神经网络，其构建方式受活动性和奖励依赖性影响，我们称之为终身神经发育计划(LNDP)。我们展示了一种此类网络实例，基于图转换器架构构建，并提出了一种基于感官神经元自发活动的预经验塑性机制。我们的结果表明，该模型能够从随机连接或空网络开始，通过不同控制任务中的经验学习。进一步地，我们表明，在需要快速适应或奖励非平稳的环境中，结构塑性具有优势。
引用
@article{arxiv.2406.09788,
title = {OpenCapBench: A Benchmark to Bridge Pose Estimation and Biomechanics},
author = {Yoni Gozlan and Antoine Falisse and Scott Uhlrich and Anthony Gatti and Michael Black and Akshay Chaudhari},
journal= {arXiv preprint arXiv:2406.09788},
year = {2024}
}