面向自然环境下学习的信号调理

哺乳动物嗅觉系统能够从极少的样本中快速学习，这些样本以不可预测的在线序列呈现，随后在存在显著干扰的条件下识别这些已学习的气味，且不表现出灾难性遗忘。我们开发了一种脑模拟算法，只要感官输入遵循共同的统计结构，该算法即可复现这些特性。然而，在自然、无约束的环境中，这一条件无法得到保证。我们在此提出了一系列受哺乳动物嗅觉系统启发的信号调理步骤，将多样的感官输入转化为学习网络可适配的规范化统计结构。这种预处理使得单个实例化网络能够广泛应用于高度多样化的分类任务和数据集——此处包括气体传感器数据、基于光谱特征的遥感以及野生物种的多标签层次识别——而无需调整网络超参数。