Sparsey：通过深度分层稀疏分布式编码的事件识别

视觉皮层的分层、多级组织在许多受生物学启发的计算视觉模型中被体现，其一般思想是渐进更大尺度、更复杂的时空特征在渐进更高的区域中表示。然而，大多数早期模型在每个层级中的每个表征场（我们将其等同于皮质巨柱(mac)）使用局部表征（编码）。在局部主义中，每个被表征的特征/事件（项目）由单一单元编码。我们的模型Sparsey同样是分层的，但关键的是，在所有层级中的每个巨柱中使用稀疏分布式编码(SDC)。在SDC中，每个被表征项目由巨柱单元的小子集编码。不同项目的SDC可重叠，且项目间重叠大小可表示其相似性。局部主义与SDC的区别至关重要，因为SDC允许联想记忆的两个基本操作——存储新项目和检索最佳匹配存储项目——在模型生命周期内以固定时间完成。由于模型的核心算法（执行存储和检索（推理））在每个时间步对所有巨柱进行一次遍历，整体模型的存储/检索操作也是固定时间，这一标准我们认为对海量数据集的可扩展性至关重要。2010年的一篇论文在纯空间模式处理背景下描述了该模型的非分层版本。在此，我们详述一个完全分层模型（任意层级数及每层级巨柱数），描述了新颖的模型原理，如渐进临界期、基于巨柱级熟悉度度量的主细胞激活函数动态调制、多同时活跃假设的表征、一种时间扭曲不变识别的新方法，并且我们报告了展示时空模式学习/识别的结果。