×
夏洛特勒穆埃尔;Kenneth D.哈里斯。;皮埃尔·伊格尔

在尖峰神经元池中监督学习，并留有决策余地。 （英语） 兹比尔1409.92047

J.计算。神经科学。 37，编号2333-344（2014）.
小结：通过从几个类别准确已知的示例中进行归纳，学习对感官输入进行分类，是大脑产生适当行为反应的关键步骤。在神经元水平上，这可能是通过在训练信号的影响下调整突触重量来实现的，以便将冲击神经元的尖峰模式分组。在这里，我们描述了一个框架，该框架允许尖峰神经元执行这种“监督学习”，使用类似于支持向量机（SVM）的原理，支持向量机是一种公认的稳健分类器。使用铰链损失误差函数，我们表明，请求类似于SVM的裕度可以提高线性不可分离问题的性能。此外，我们还表明，使用神经元池来区分类别也可以通过在神经元之间分担负载来提高性能。

MSC公司：

92C20美元 神经生物学
68T05型 人工智能中的学习和自适应系统

关键词：

关键字;监督学习;尖峰神经元;温度管;支持向量机

软件：

皮恩;巢穴;Scikit公司
PDF格式BibTeX公司 XML格式引用
\textit{C.Le Mouel}等人，J.Compute。神经科学。37，第2号，333--344（2014；Zbl 1409.92047）
全文： 内政部

参考文献：

[1] Abbott，L.F.和Nelson，S.B.（2000年）。突触可塑性：驯服野兽。《自然神经科学》，3 Suppl（11月），1178，83。
[2] Altenmüller，E.、Zimmermann，E.、Schmidt，D.和Phil，S.（2013）。《情感交流的进化：从非人类哺乳动物的声音到人类的语言和音乐》，牛津：牛津大学出版社。检索自http://forward.library.wisconsin.edu/catalog/ocn810119047。 ·doi:10.1093/acprof:oso/9780199583560.001.0001
[3] Amit，D.J.、Campbell，C.和Wong，K.Y.M.（1989）。具有符号约束突触的神经网络的交互空间。《物理学报A：数学与概论》，22（21），4687·Zbl 0727.68091号
[4] Bohte，S.M.、Kok，J.N.和Poutrá，H.L.（2002）。脉冲神经元的时间编码网络中的错误反向传播。神经计算，48，17-37·Zbl 1006.68760号 ·doi:10.1016/S0925-2312（01）00658-0
[5] Clopath，C.、Büsing，L.、Vasilaki，E.和Gerstner，W.（2010年）。连通性反映了编码：基于电压的STDP模型，具有动态平衡。《自然神经科学》，13（3），344-52·doi:10.1038/nn.2479
[6] Cortes，C.和Vapnik，V.（1995年）。支持向量网络。机器学习。检索自http://link.springer.com/article/10.1007/BF00994018 ·Zbl 0831.68098号
[7] Davison，A.A.P.，Brüderle，D.，Bruderle，D.，Eppler，J.，Kremkow，J.，Muller，E.，…Yger，P.（2009年）。PyNN：神经元网络模拟器的通用接口。神经信息学前沿…，2，11。doi:10.3389/神经系统.11.011.2008
[8] Diesmann，M.和Gewaltig，M.O.（2007年）。NEST（神经模拟工具）。学者媒体。doi:10.4249/schorarpedia.1430·doi:10.4249/学术期刊.1430
[9] Eccles，S.J.C.，It o，M.，&Szentágothai，J.（1967年）。小脑作为神经元机器（第335页）。检索自http://books.google.fr/books/about/The_cerebellum_as_a_neuronal_machine.html？id=nWh9AAAAIAAJ&pgis=1
[10] El Boustani，S.、Yger，P.、Frégnac，Y.和Destexhe，A.（2012年）。随机网络状态下的稳定学习。神经科学杂志：神经科学学会官方杂志，32（1），194-214·Zbl 1446.92097号
[11] Florian，R.V.（2007）。通过调节峰时依赖性突触可塑性来强化学习。神经计算，19（6），1468-502·Zbl 1115.68473号 ·doi:10.1162/neco.2007.19.6.1468
[12] Florian，R.V.（2012）。计时加速器：一种学习触发时间精确的尖峰模式的神经元。《公共科学图书馆·综合》，7（8），e40233·doi:10.1371/journal.pone.0040233
[13] Gardner，E.（1988）。神经网络模型中的交互空间。《物理学杂志A：数学与概论》，21（1987年7月），257-270·Zbl 1128.82302号 ·doi:10.1088/0305-4470/21/030
[14] Gutig，R.和Sompolinsky，H.（2006）。节拍管：一种学习基于棘波计时的决策的神经元。《自然神经科学》，9（3），420-428·doi:10.1038/nn1643
[15] Gütig，R.和Sompolinsky，H.（2009）。时间-锐化-神经加工。《公共科学图书馆·生物学》，7（7），e1000141·doi:10.1371/journal.pbio.1000141
[16] Holmes，W.G.（1986年）。雌性贝尔丁地松鼠通过表型匹配识别亲缘关系。动物行为，34，38-47·doi:10.1016/0003-3472（86）90004-7
[17] 伊日凯维奇，E.M.（2007年）。通过STDP和多巴胺信号的链接解决远端奖赏问题。《大脑皮层》（纽约：1991），17（10），2443-52·doi:10.1093/cercor/bhl152
[18] Kentros，C.G.、Agnihotri，N.T.、Streater，S.、Hawkins，R.D.和Kandel，E.R.（2004）。对空间上下文的关注增加了位置场稳定性和空间记忆。神经元，42（2），283-295·doi:10.1016/S0896-6273（04）00192-8
[19] Legenstein，R.和Maass，W.（2007年）。关于符号约束感知器的分类能力。神经计算，20（1），288-309·Zbl 1148.92009号 ·doi:10.1162/neco.2008.201.288
[20] Legenstein，R.、Naeger，C.和Maas，W.（2005）。神经元可以通过峰值时间依赖性可塑性学习什么？神经计算，17（11），2337-2382·Zbl 1075.68635号
[21] Legenstein，R.、Pecevski，D.和Maass，W.（2008）。一种用于生物反馈的奖惩调制尖峰时间相关可塑性的学习理论。《公共科学图书馆·计算生物学》，4（10），e1000180·doi:10.1371/journal.pcbi.1000180
[22] Marr，D.（1969年）。小脑皮层理论。生理学杂志，202（2），437-470。
[23] Masquelier，T.、Guyonneau，R.和Thorpe，S.J.（2009年）。基于竞争性STDP的尖峰模式学习。神经计算，21（5），1259-1276·Zbl 1160.92315号
[24] Pape，H.H.和Pare，D.（2010年）。杏仁核的可塑性突触网络用于条件恐惧的获取、表达和消除。生理学评论，90（2），419-463·doi:10.1152/physrev.00037.2009
[25] Pedregosa，F.和Varoquaux，G.（2011年）。Scikit-learn：Python中的机器学习…机器学习…，122825-2830·Zbl 1280.68189号
[26] Pfister，J.、Toyoizumi，T.、Barber，D.和Gerstner，W.（2006年）。监督学习中精确动作电位激发的最佳峰值时间相关可塑性。神经计算，18（6），1318-1348·兹比尔1092.92008 ·doi:10.1162/neco.2006.18.6.1318
[27] Ponulak，F.和Kasiáski，A.（2010年）。用ReSuMe对尖峰神经网络进行监督学习：序列学习、分类和尖峰移动。神经计算，22（2），467-510·2018年3月11日 ·doi:10.1162/neco.2009.11-08-901
[28] Raymond，J.L.、Lisberger，S.G.和Mauk，M.D.（1996）。小脑。《科学》，2721126-1131·doi:10.1126/science.272.5265.1126
[29] Rosenblatt，F.（1958年）。感知器：大脑中信息存储和组织的概率模型。《心理评论》，65（6），386-408·doi:10.1037/h0042519
[30] Sweatt，J.D.（2009年）。记忆机制，第二版（第450页）。学术出版社。检索自http://www.amazon.com/Mechanisms-Memory-Second-Edition-Sweatt/dp/0123749514
[31] Urbanczik，R.和Senn，W.（2009年）。尖峰神经元群中的强化学习。《自然神经科学》，12（3），250-2·doi:10.1038/nn.2264
[32] Xu，Y.，Zeng，X.，&Zhong，S.（2013）。一种新的尖峰神经元监督学习算法。神经计算，25（6），1472-511·Zbl 1448.92051号 ·doi:10.1162/NECO_a_00450
[33] Yger，P.和Harris，K.D.（2013年）。大脑皮层网络中无监督学习的Convallis规则。《公共科学图书馆·计算生物学》，9（10），1-32·doi:10.1371/journal.pcbi.1003272
[34] Yin，H.H.和Knowlton，B.J.（2006）。基底神经节在习惯形成中的作用。《自然评论》神经科学，7（6），464-476·doi:10.1038/nrn1919
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。