面向不平衡通用分块问题的对称 SyncMap
机器学习
2023-10-18 v1 神经与进化计算
摘要
近来，SyncMap 开创了一种从序列中学习复杂结构并适应底层结构任何变化的方法。这是仅通过使用受神经元群体行为启发的非线性动力学方程实现的，即没有损失函数。这里我们提出 Symmetrical SyncMap，它超越原始工作，展示了如何创建长期稳定的动力学方程以及吸引子-排斥子点，甚至能处理不平衡的持续通用分块问题（CGCPs）。主要思想是通过对称激活从负反馈和正反馈环路施加相等的更新。然后我们引入记忆窗口的概念以允许更多正更新。我们的算法在全部 12 个具有不同难度的不平衡 CGCPs（包括动态变化的问题）中超越或持平其他无监督最先进基线。为验证其在真实场景中的性能，我们在几个充分研究的结学习问题上进行了实验。所提方法在 4 个场景中的 3 个大幅超越其他方法，表明对称激活在揭示时间数据中编码的拓扑结构甚至层次结构中起着关键作用。
引用
@article{arxiv.2310.10045,
title = {Symmetrical SyncMap for Imbalanced General Chunking Problems},
author = {Heng Zhang and Danilo Vasconcellos Vargas},
journal= {arXiv preprint arXiv:2310.10045},
year = {2023}
}
备注
40 pages, 19 figures