基于单脉冲神经元模型对弱标记概念进行可靠计数
神经与进化计算
2018-11-19 v2 机器学习
神经元与认知
机器学习
摘要
做出明智、正确且快速的决定可能挽救生命。这对动物在逃避行为中或自动驾驶汽车在行驶过程中都至关重要。该决策可能很复杂，并可能涉及对当前威胁数量及每个威胁性质的评估。因此，我们应当期望早期感觉处理能够快速且准确地提供分类信息，甚至在对信息向更高脑区或下游更复杂系统组件传递之前。如今，先进的卷积人工神经网络能成功解决视觉检测与分类任务，并常用于构建复杂决策系统。然而，为了在这些任务上表现良好，它们需要日益复杂、“非常深”的模型结构，这在推理运行时间、能耗和训练样本数量上代价高昂，且仅能在云计算集群上训练。单个脉冲神经元已被证明能够解决具有齐次泊松输入统计（新皮层中脉冲活动的常用模型）的识别任务。当建模为带梯度下降学习算法的漏积分发放神经元时，已证明其具备多种复杂计算能力。在此我们改进其实现。我们还考虑了偏离该齐次泊松脉冲的更自然刺激生成输入。改进的基于梯度的局部学习规则显著提升了泛化能力与稳定性。我们还表明，凭借改进的能力，它可通过将模型应用于标签仅对概念集合可用的计数多示例学习（MIL）问题来对弱标记概念计数。在此计数 MNIST 任务中，该神经元利用改进的实现，在相似条件下优于传统 ConvNet 架构。
引用
@article{arxiv.1805.07569,
title = {Reliable counting of weakly labeled concepts by a single spiking neuron model},
author = {Hannes Rapp and Martin Paul Nawrot and Merav Stern},
journal= {arXiv preprint arXiv:1805.07569},
year = {2018}
}