基于受限最小误差熵准则的鲁棒尖峰连续元学习
摘要
1.简介
2.材料和方法
2.1. SNN模型
2.2. BPTT训练算法
2.3. 最小误差熵准则(MEEC)
2.4。 受限MEEC
3.结果
3.1. 具有RMEE标准的拟议网络
3.2. 自主导航
|
3.3、。 非高斯噪声下存储-回忆任务的工作记忆性能
3.4. 非高斯噪声下序列MNIST数据集的元学习性能
3.5. 损失参数对学习绩效的影响
4.讨论
5.结论
作者贡献
基金
致谢
利益冲突
工具书类
Krizhevsky,A。; Sutskever,I。; Hinton,G.使用深度卷积神经网络进行ImageNet分类。 高级神经信息处理。 系统。 2012 , 25 , 89–94. [ 谷歌学者 ] [ 交叉参考 ] 帕里西,G.I。; Kemker,R。; 第J.L.部分。; 卡南,C。; Wermter,S.神经网络持续终身学习:综述。 神经网络。 2019 , 113 , 54–71. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 姚,H。; 周,Y。; 马哈达维,M。; 李,Z。; Socher,R。; Xiong,C.在线结构化元学习。 高级神经信息处理。 系统。 2020 , 33 , 6779–6790. [ 谷歌学者 ] 贾维德,K。; 怀特,M.继续学习的元学习表征。 高级神经信息处理。 系统。 2019 , 32 , 172. [ 谷歌学者 ] 塞拉,J。; 苏利斯,D。; 米隆,M。; Karatzoglou,A.通过对任务的认真关注来克服灾难性的遗忘。 2018年7月10日至15日,瑞典斯德哥尔摩Stockholmsmässan,《机器学习国际会议论文集》(PMLR 80); 第4548–4557页。 [ 谷歌学者 ] 曾庚。; 陈,Y。; 崔,B。; Yu,S.神经网络中上下文相关处理的持续学习。 自然马赫数。 智力。 2019 , 1 , 364–372. [ 谷歌学者 ] [ 交叉参考 ] 范德文,总经理。; H.T.Siegelmann。; 托利亚斯(Tolias),A.S.Brain-inspired replay,用于人工神经网络的持续学习。 国家公社。 2020 , 11 , 4069. [ 谷歌学者 ] [ 交叉参考 ] Tavanei,A。; 戈德拉蒂,M。; Kheradpisheh,S.R.公司。; Masquelier,T。; 梅达(Maida),A.《尖峰神经网络的深度学习》(Deep learning in spiking neural networks)。 神经网络。 2019 , 111 , 47–63. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Lee,C。; 熊猫,P。; 斯里尼瓦桑,G。; Roy,K.使用基于标准差的无监督预训练和监督微调训练深度峰值卷积神经网络。 前面。 神经科学。 2018 , 12 , 435. [ 谷歌学者 ] [ 交叉参考 ] 夏,Q。; Yang,J.J.用于脑灵感计算的记忆十字阵列。 自然材料。 2019 , 18 , 309–323. [ 谷歌学者 ] [ 交叉参考 ] 裴,J。; 邓,L。; Song,S。; 赵,M。; Zhang,Y。; Wu,S。; 王,G。; 邹,Z。; Wu,Z。; He,W。; 等。使用混合天机芯片架构实现人工通用智能。 自然 2019 , 572 , 106–111. [ 谷歌学者 ] [ 交叉参考 ] 戴维斯,M。; 北斯里尼瓦萨。; 林,T.-H。; Chinya,G。; 曹毅。; Choday,S.H。; 迪莫,G。; Joshi,P。; 伊玛目,N。; Jain,S。; Loihi等人:具有片上学习功能的神经形态多核处理器。 IEEE微型 2018 , 38 , 82–99. [ 谷歌学者 ] [ 交叉参考 ] Yang,S。; Wang,J。; 郝,X。; 李,H。; 魏,X。; 邓,B。; Loparo,K.A.BiCoSS:走向具有多颗粒神经形态结构的大规模认知大脑。 IEEE传输。 神经网络。 学习。 系统。 2021 , 11 , 1–15. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Yang,S。; Wang,J。; 张,N。; 邓,B。; Pang,Y。; Azghadi,M.R.小脑畸形:监督运动学习的大尺度神经形态模型和架构。 IEEE传输。 神经网络。 学习。 系统。 2021 , 23 , 1–15. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Yang,S。; Wang,J。; 邓,B。; 刘,C。; 李,H。; 费特基维茨,C。; Loparo,K.A.大型基于电导的尖峰神经网络的实时神经形态系统。 IEEE传输。 赛博。 2019 , 49 , 2490–2503. [ 谷歌学者 ] [ 交叉参考 ] Bellec,G。; Salaj,D。; 苏布拉莫尼,A。; 勒根斯坦,R。; Maass,W.在尖峰神经元网络中的长期短期记忆和学习。 高级神经信息处理。 系统。 2018 , 31 , 247. [ 谷歌学者 ] 李毅。; 周,J。; 田,J。; 郑,X。; Tang,Y.Y.基于加权误差熵的鲁棒子空间表示信息理论学习。 IEEE传输。 神经网络。 学习。 系统。 2021 , 19 , 1–15. [ 谷歌学者 ] [ 交叉参考 ] 陈,J。; 宋,L。; 温赖特,M。; Jordan,M.学习解释:模型解释的信息论视角。 第35届机器学习国际会议(PMLR 80)会议记录,瑞典斯德哥尔摩Stockholmsmässan,2018年7月10-15日; 第883-892页。 [ 谷歌学者 ] Xu,Y。; 曹,P。; 孔,Y。; Wang,Y.DMI:一种新的信息理论损失函数,用于训练对标签噪声鲁棒的深网。 高级神经信息处理。 系统。 2019 , 32 , 76. [ 谷歌学者 ] 陈,B。; Xing,L。; 赵,H。; 杜,S。; Principe,J.C.离群值对最大相关熵估计的影响:稳健性分析。 IEEE传输。 系统。 人类网络。 系统。 2021 , 51 , 4007–4012. [ 谷歌学者 ] [ 交叉参考 ] 陈,B。; 李毅。; Dong,J。; 卢,N。; 秦,J.基于量化最小误差熵准则的常见空间模式。 IEEE传输。 系统。 人类网络。 系统。 2020 , 50 , 4557–4568. [ 谷歌学者 ] [ 交叉参考 ] 陈,B。; Xing,L。; 徐,B。; 赵,H。; Principe,J.C.深入了解最小误差熵估计的稳健性。 IEEE传输。 神经网络。 学习。 系统。 2018 , 29 , 731–737. [ 谷歌学者 ] [ 交叉参考 ] Chen,H.-Y。; 梁,J.-H。; Chang,S.-C。; 潘,J.-Y。; 陈永泰。; 魏,W。; Juan,D.-C.通过引导补码熵提高对抗鲁棒性。 2019年10月27日至11月2日,韩国首尔,IEEE/CVF国际计算机视觉会议(ICCV)会议记录; 第4880–4888页。 [ 谷歌学者 ] 拉赫迪,M。; Waku,J。; 哈兹吉,H。; Demongeot,J.Entropy作为基因调控网络中的稳健性标记。 熵 2020 , 22 , 260. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] [ 绿色版本 ] Borin,J.A.M.S。; Humeau-Heurtier,A。; 维吉利奥·席尔瓦,L.E。; Murta,L.O.短信号的多尺度熵分析:与全长长信号相比,基于模糊熵的变量的稳健性。 熵 2021 , 23 , 1620. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 格林伯格,C。; Milstein,A.D。; 比特纳,K.C。; 罗马尼亚语,S。; Magee,J.C.抑制非均匀调谐激发增强CA1位置细胞的空间编码。 自然神经科学。 2017 , 20 , 417–426. [ 谷歌学者 ] [ 交叉参考 ] 穆尼奥斯,W。; Tremblay,R。; 列文斯坦,D。; Rudy,B.活跃清醒期间新皮质树突状抑制的层特异性调节。 科学类 2017 , 355 ,954–959。 [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Poleg-Polsky,A。; 丁·H。; Diamond,J.S.视网膜中星暴无长突细胞树突内的功能分区。 单元格代表。 2018 , 22 , 2898–2908. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Ranganathan,G.N。; 阿波斯托里德,P.F。; 麻省理工哈内特。; Xu,N.L。; Druckmann,S。; Magee,J.C.自适应感知行为期间的主动树突整合和混合新皮质网络表示。 自然神经科学。 2018 , 21 , 1583–1590. [ 谷歌学者 ] [ 交叉参考 ] Bellec,G。; 卡佩尔,D。; Maass,W。; 深层重组:训练非常稀疏的深层网络。 arXiv公司 2017 ,arXiv:1711.05136。 [ 谷歌学者 ] 舒尔曼,J。; 沃尔斯基,F。; Dhariwal,P。; Radford,A。; Klimov,O.近似策略优化算法。 arXiv公司 2017 ,arXiv:11707.06347。 [ 谷歌学者 ] Kingma,D.P。; Ba,J.Adam:一种随机优化方法。 arXiv公司 2014 ,arXiv:1412.6980。 [ 谷歌学者 ] 李毅。; 陈,B。; 吉村,N。; Koike,Y.鲁棒分类的受限最小误差熵准则。 IEEE传输。 神经网络。 学习。 系统。 2021 , 2 , 1–14. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 瓦西拉基,E。; 弗莱莫克斯,N。; Urbanczik,R。; 塞恩,W。; 连续状态和动作空间中基于Spike的强化学习:当策略梯度方法失败时。 公共科学图书馆计算。 生物。 2009 , 5 ,电话1000586。 [ 谷歌学者 ] [ 交叉参考 ] M.J.沃尔夫。; Jochim,J。; Akyürek,E.G。; 工作记忆引导行为背后的动态隐藏状态。 自然神经科学。 2017 , 20 , 864–871. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] [ 绿色版本 ] Yang,S。; 高,T。; Wang,J。; 邓,B。; Lansdell,B。; Linares-Barranco,B.采用树突事件处理的高效尖峰驱动学习。 前面。 神经科学。 2021 , 15 , 601109. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] 陈,B。; 朱,P。; Principe,J.C.生存信息潜力:自适应系统训练的新标准。 IEEE传输。 信号处理。 2012 , 60 , 1184–1194. [ 谷歌学者 ] [ 交叉参考 ] 江,R。; 张杰。; Yan,R。; Tang,H.Few-通过多时间尺度优化在尖峰神经网络中进行学习。 神经计算。 2021 , 33 , 2439–2472. [ 谷歌学者 ] [ 交叉参考 ] 医学博士DeBole。; 阿普斯瓦米,R。; P.J.卡尔森。; 卡西迪,A.S。; 达塔,P。; Esser,S.K.公司。; G.J.加罗。; 荷兰,K.L。; Lekuch,S。; 马斯特罗,M。; Truenorth等人:10年内神经元从零加速到6400万。 电脑类 2019 , 52 , 20–29. [ 谷歌学者 ] [ 交叉参考 ] Furber,S.B.公司。; 盖洛皮,F。; 圣殿,南部。; 洛杉矶普莱纳SpiNNaker项目。 程序。 电气与电子工程师协会 2014 , 102 , 652–665. [ 谷歌学者 ] [ 交叉参考 ] 俄克拉荷马州Krestinskaya。; A.P.詹姆斯。; Chua,L.O.边缘计算用神经记忆电路:综述。 IEEE传输。 神经网络。 学习。 系统。 2020 , 31 , 4–23. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Yoo,J。; Shoaran,M.带设备计算的神经接口系统:机器学习和神经形态结构。 货币。 操作。 生物技术。 2021 , 72 , 95–101. [ 谷歌学者 ] [ 交叉参考 ] Cho,S.W.公司。; Kwon,S.M。; Kim,Y。; Park,S.K.基于晶体管的光电突触的最新进展:从神经形态计算到人工感觉系统。 高级智能。 系统。 2021 , 三 , 2000162. [ 谷歌学者 ] [ 交叉参考 ]