基于神经达尔文主义与Hopfield网络的无人监督学习架构高精度识别符号
神经与进化计算
2023-12-01 v1 神经元与认知
摘要
本文介绍一种受Gerald Edelman神经元群选择理论（“神经达尔文主义”）启发的新型无监督学习范式。所提出的自动机在任意符号（如字母表字母）重复呈现时学会识别它们，正如儿童学习阅读时那样。在第二层次上，模型创建表示所学符号的抽象类别。基本计算单元是简单McCulloch-Pitts神经元排列成的全连接群（随机初始化权重的Hopfield网络），这些群在进化意义上通过符号呈现被“选择”。与多数神经网络架构相反，学习过程完全可追踪且易于人类解释。讨论了使模式识别成为可能的Hopfield网络的计算性质。在仿真中，模型以高准确率学习作为网格上二值模式呈现的拉丁字母。本文为概念验证，不声称在字母识别上达到最先进性能，但有望启发受生物启发的机器学习新思路。
引用
@article{arxiv.2311.18789,
title = {Unsupervised learning architecture based on neural Darwinism and Hopfield networks recognizes symbols with high accuracy},
author = {Mario Stepanik},
journal= {arXiv preprint arXiv:2311.18789},
year = {2023}
}
备注
12 pages, 4 figures