脉冲神经网络中的赢者通吃计算
分布式、并行与集群计算
2019-04-30 v1 无序系统与神经网络
神经与进化计算
神经元与认知
摘要
在这项工作中，我们从算法角度研究生物神经网络，聚焦于理解计算时间与网络复杂度之间的权衡。我们的目标是以一种虽不捕捉所有有趣特征、但保留高层行为并允许我们得出具有生物学相关结论的方式对真实神经网络进行抽象。朝此目标，我们考虑在一种简单但生物学上合理的随机脉冲神经网络模型中实现算法原语。具体而言，我们展示了如何利用该模型中神经元的随机行为来解决一个基本的对称性破缺任务：给定具有完全相同放电速率的神经元，想要选出一个特殊的神经元。在计算神经科学中，这被称为赢者通吃（winner-take-all, WTA）问题，并被认为在许多任务（例如学习、模式识别和聚类）中作为基本构建块。我们在随机脉冲神经网络模型中提供了WTA电路的高效构造，以及就驱动在给定步数内收敛到WTA所需辅助神经元数量的下界。这些下界表明我们的构造在某些情况下近乎最优。本工作涵盖并给出了[LMP17a]中最初发表的部分结果的更深入证明。其改编自C. Musco的博士论文[Mus18]的最后一章。
引用
@article{arxiv.1904.12591,
title = {Winner-Take-All Computation in Spiking Neural Networks},
author = {Nancy Lynch and Cameron Musco and Merav Parter},
journal= {arXiv preprint arXiv:1904.12591},
year = {2019}
}