×

一种新的具有横向交互作用的学习任务神经模型。 (英语) Zbl 1469.92020

摘要:我们提出了一个新的学习任务横向交互的神经模型。该模型由两个功能域组成:一个用于提取特征的基本域和一个用于存储和识别模式的高级域。每一个场都是由一些具有横向相互作用的神经元组成的,不同场的神经元之间通过突触可塑性的规则连接起来。该模型建立在当前认知和神经科学研究的基础上,使其更加透明和具有生物学解释性。我们提出的模型应用于数据分类和聚类。相应的算法共享相似的过程,而不需要任何参数调整和优化过程。数值实验表明,该模型在不同的学习任务中是可行的,优于现有的一些方法,特别是在小样本学习、一次性学习和聚类方面。

理学硕士:

92B20型 生物研究、人工生命和相关主题的神经网络
91E40型 心理学中的记忆与学习
PDF格式 BibTeX公司 XML 引用
全文: 内政部

参考文献:

[1] Ahmad,T.,Chen,H.,Huang,R.,Guo,Y.,Wang,J.,Shair,J.,…Kazim,M.(2018年)。基于监督的机器学习模型,用于不同建筑环境下的短期、中期和长期能源预测。能源,15817-32。谷歌学者
[2] Alshehhi,R.,Hanson,C.,Gizon,L.和Hanasoge,S.(2019年)。用于日震环图反演的有监督神经网络。天文学和天体物理学,622。谷歌学者
[3] 阿玛里,S.(1977年)。侧抑制型神经场模式形成的动力学。赛本生物。,27,77-87。谷歌学者·Zbl 0367.92005
[4] Campbell,W.,Sturim,D.,Reynolds,D.和Solomonoff,A.(2006年)。基于支持向量机的GMM超向量核和NAP变异补偿的说话人验证。2006年IEEE国际声学会议论文集,语音和信号处理。新泽西州皮斯卡塔韦:IEEE。
[5] Cao,Y.,Guan,D.,Wu,Y.,Yang,J.,Cao,Y.和Yang,M.(2019年)。盒级分割监督的深度神经网络用于精确和实时的多光谱行人检测。ISPRS摄影测量和遥感杂志,15070-79。谷歌学者
[6] Chatterjee,N.和Sinha,S.(2007年)。理解蠕虫的思想:线虫神经系统功能的层次网络结构。大脑研究进展,168145-153。谷歌学者
[7] Chen,L.,Papandreou,G.,Kokkinos,I.,Murphy,K.和Yuille,A.(2018年)。Deeplab:使用深卷积网、atrus卷积和完全连接的crf进行语义图像分割。IEEE模式分析与机器智能汇刊,40(4),834-848。谷歌学者
[8] Coley,C.,Jin,W.,罗杰斯,L.,Jamison,T.,Jaakkola,T.,Green,W.,…Jensen,K.(2019年)。化学反应性预测的图卷积神经网络模型。化学科学,10370-377。谷歌学者
[9] Dayan,P.和Abbott,L.F.(2002年)。理论神经科学:神经系统的计算和数学建模。马萨诸塞州剑桥:麻省理工学院出版社·Zbl 1051.92010
[10] Durand,T.,Mordan,T.,Thome,N.和Cord,M.(2017年)。wildat:用于图像分类、逐点定位和分割的deep ConvNets的弱监督学习。在2017年IEEE计算机视觉和模式识别会议论文集。新泽西州皮斯卡塔韦:IEEE。
[11] Ermentrout,G.B.和Terman,D.H.(2010年)。神经科学的数学基础。纽约:斯普林格科学+商业媒体·Zbl 1320.92002
[12] Foody,G.M.和Mathur,A.(2004年)。支持向量机在多类图像分类中的相对评价。IEEE地球科学与遥感学报,421335-1343,谷歌学者
[13] 弗里斯顿,K.(2008年)。大脑的层次模型。公共科学图书馆计算生物学,4100211。谷歌学者
[14] Gao,S.,Yang,K.,Li,C.和Li,Y.(2015年)。使用双对位的颜色恒定性。IEEE模式分析与机器智能汇刊,37(10),1973-1985。谷歌学者
[15] Han,S.,Liu,X.,Mao,H.,Pu,J.,Pedram,A.,Horowitz,M.和Dally,W.(2016年)。EIE:压缩深层神经网络的高效推理机。2016年ACM/IEEE第43届计算机体系结构国际年会论文集(第243-254页)。纽约:ACM。
[16] Hartigan,J.A.和Wong,M.A.(1979年)。算法as136:一种K均值聚类算法。英国皇家统计学会杂志,28(1),100-108。谷歌学者·Zbl 0447.62062
[17] Hebb,D.O.(1949年)。行为的组织。纽约:威利。
[18] Houdard,A.,Bouveyron,C.和Delon,J.(2018年)。无监督图像去噪的高维混合模型。暹罗影像科学杂志,11(4),2815-2846。谷歌学者·Zbl 1475.94018号
[19] Iglesias,S.,Mathys,C.,Brodersen,K.,Kasper,L.,Piccirelli,M.,Ouden,H.和Stephan,K.(2019年)。感觉学习过程中脑和基底前脑的递阶预测错误。神经元,101(6),1196-1201。谷歌学者
[20] Jin,D.和Peng,J.(2015年)。具有全局常数抑制的Amari动态神经场研究。神经网络,71182-195。谷歌学者·Zbl 1396.92015
[21] Kahn,G.,Villaflor,A.,Ding,B.,Abbeel,P.和Levine,S.(2018年)。机器人导航的广义计算图自监督深度强化学习。2018年IEEE机器人与自动化国际会议论文集(第5129-5136页)。新泽西州皮斯卡塔韦:IEEE。
[22] Lee,H.,Sohn,K.和Min,D.(2020年)。基于明亮通道先验的无监督微光图像增强。IEEE信号处理信件,27251-255。谷歌学者
[23] Lee,T.和Lewicki,M.(2002年)。基于ICA混合模型的无监督图像分类、分割和增强。IEEE图像处理汇刊,1(3),270-279。谷歌学者
[24] Li,H.和Fan,Y.(2018年)。利用无训练数据的自监督全卷积网络进行非刚性图像配准。2018年IEEE第15届生物医学成像国际研讨会论文集(第1075-1078页)。新泽西州皮斯卡塔韦:IEEE。
[25] Lou,S.,Zhang,G.,Pan,H.和Wang,Q.(2012年)。小样本问题的监督拉普拉斯判别分析及其在人脸识别中的应用。计算机研究与发展杂志,491730-1737。谷歌学者
[26] McCulloch,W.S.和Pitts,W.(1943年)。对神经活动内在思想的逻辑演算。《数学生物物理学公报》,52115-133。谷歌学者·Zbl 0063.03860
[27] Melnykov,V.和Michael,S.(2020年)。通过合并K-means解对大型数据集进行聚类。分类杂志,37,97-123。谷歌学者·Zbl 07223591
[28] Niebles,J.,Wang,H.和Li,F.(2008年)。使用时空词进行人类行为类别的无监督学习。国际计算机视觉杂志,79299-318。谷歌学者
[29] Rabaoui,A.、Kadri,H.、Lachiri,Z.和Hachem,N.(2008年)。一类支持向量机在音频检测和分类应用中的挑战。EURASIP信号处理进展杂志,2008,834973。谷歌学者·Zbl 1184.68424
[30] Rauschecker,J.和Scott,S.(2009年)。听觉皮层中的地图和流:非人灵长类动物照亮了人类的语音处理。自然神经科学,12718-724,谷歌学者
[31] Shipp,S.(2016年)。预测编码的神经元件。心理学前沿,71792年,谷歌学者
[32] Sirosh,J.和Miikkulainen,R.(1997年)。初级视皮层自组织模型中的地形感受野和模式化横向相互作用。神经计算,9(3),577-594。谷歌学者
[33] Snyder,D.,Ghahremani,P.,Povey,D.,Garcia Romero,D.,Carmiel,Y.和Khudanpur,S.(2016年)。基于深度神经网络的说话人嵌入,用于端到端说话人验证。2016年IEEE口语技术研讨会论文集(第165-170页)。新泽西州皮斯卡塔韦:IEEE。谷歌学者
[34] Sutte,E.E.和Vaegan(1990年)。人像反转ERG中横向相互作用分量和局部亮度非线性。视觉研究,30(5),659-671。谷歌学者
[35] Tzotsos,A.和Argialas,D.(2008年)。一种用于基于对象的图像分析的支持向量机方法。T.Blaschke、S.Lang和G.J.Hay(编辑),基于对象的图像分析。柏林:斯普林格。谷歌学者
[36] Valpola,H.和Karhunen,J.(2002年)。非线性动态空间模型的无监督集成学习方法。神经计算,14(11),2647-2692,谷歌学者·Zbl 1057.68094
[37] Wang,W.,Pedretti,G.,Milo,V.,Carboni,R.,Calderoni,A.,Ramaswamy,N.,…Ielmini,D.(2018年)。学习具有电阻开关突触的尖峰神经网络的时空模式。科学进步,4(9),eaat4752。谷歌学者
[38] Wang,X.,Ma,X.和Grimson,W.(2009年)。基于层次贝叶斯模型的拥挤复杂场景下的无监督活动感知。IEEE模式分析与机器智能汇刊,31(3),539-555。谷歌学者
[39] Waydo,S.和Koch,C.(2008年)。从图像中无监督地学习个人和类别。神经计算,20(5),1165-1178。谷歌学者
[40] 温伯格,K.Q.和索尔,L.K.(2009年)。大边距最近邻分类的距离度量学习。机器学习研究杂志,10207-244。谷歌学者·Zbl 1235.68204
[41] Xie,J.,Girshick,R.和Farhadi,A.(2016年)。聚类分析的无监督深度嵌入。第33届机器学习国际会议论文集(第478-487页)。谷歌学者
[42] Yang,H.,Lin,K.和Chen,C.(2018年)。语义的监督学习:通过深卷积神经网络保存散列。IEEE模式分析与机器智能汇刊,40(2),437-451。谷歌学者
[43] Zeng,X.,Pan,Y.,Wang,M.,Zhang,J.和Liu,Y.(2020年)。通过身份和姿势的自我监督分离实现真实的人脸再现。第34届人工智能大会论文集。加州帕洛阿尔托:AAAI出版社。谷歌学者
[44] Zhan,K.,Shi,J.,Wang,J.,Wang,H.和Xie,Y.(2018年)。多视图聚类的自适应结构概念分解。神经计算,30(4),1080-1103。谷歌学者
[45] Zhang,Q.,Zhen,S.,和Huang,D.(2019年)。结合多实例学习和混合深层神经网络的蛋白质DNA结合模型。科学报告,98484。谷歌学者
[46] Zhang,S.,Li,X.,Zong,M.,Zhu,X.,和Wang,R.(2018年)。不同近邻数的有效kNN分类。IEEE神经网络与学习系统汇刊,29(5),1774-1785。谷歌学者
[47] Zhou,X.,Huang,Q.,Sun,X.,Xue,X.,和Wei,Y.(2017年)。野外三维人体姿态估计:一种弱监督方法。IEEE国际计算机视觉会议论文集(1:398-407)。新泽西州皮斯卡塔韦:IEEE。谷歌学者
[48] Zhu,B.,Liu,J.,Cauley,S.,Rosen,B.和Rosen,M.(2018年)。基于域变换流形学习的图像重建。《自然》,555487-492。谷歌学者
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。