迈向基于能量模型中对比 Hebbian 可塑性脉冲神经元的深度学习
机器学习
2016-12-19 v1 神经与进化计算
神经元与认知
摘要
在机器学习中，多层神经网络中的误差反向传播（深度学习）在监督学习和强化学习任务中取得了令人瞩目的成功。然而，作为大脑中的学习模型，深度学习长期以来被认为是不切实际的，因为其基本形式依赖于非局部的可塑性规则。为了克服这一问题，人们提出了具有局部对比 Hebbian 学习的基于能量的模型，并在使用速率神经元网络的分类任务上进行了测试。我们通过使用漏电积分触发神经元网络实现并测试此类模型，扩展了这项工作。初步结果表明，利用隐藏层、脉冲神经元和局部突触可塑性规则学习非线性回归任务是可能的。
引用
@article{arxiv.1612.03214,
title = {Towards deep learning with spiking neurons in energy based models with contrastive Hebbian plasticity},
author = {Thomas Mesnard and Wulfram Gerstner and Johanni Brea},
journal= {arXiv preprint arXiv:1612.03214},
year = {2016}
}