論文の概要: Multifunctionality in a Reservoir Computer
- arxiv url: http://arxiv.org/abs/2008.06348v2
- Date: Mon, 21 Dec 2020 12:31:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 22:21:19.757876
- Title: Multifunctionality in a Reservoir Computer
- Title（参考訳）: 貯留層コンピュータにおける多機能性
- Authors: Andrew Flynn, Vassilios A. Tsachouridis, and Andreas Amann
- Abstract要約: 多機能ニューラルネットワークは、ネットワーク接続を変更することなく、複数のタスクを実行することができる。
我々は、この神経学的慣用性が、Reservoir Computingとして知られる現代の機械学習パラダイムを用いた人工的な環境でどのように達成できるかを考察する。
トレーニングに含まれていない貯水池コンピュータの予測状態空間内に居住する,未学習の誘引者の存在を明らかにする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multifunctionality is a well observed phenomenological feature of biological
neural networks and considered to be of fundamental importance to the survival
of certain species over time. These multifunctional neural networks are capable
of performing more than one task without changing any network connections. In
this paper we investigate how this neurological idiosyncrasy can be achieved in
an artificial setting with a modern machine learning paradigm known as
`Reservoir Computing'. A training technique is designed to enable a Reservoir
Computer to perform tasks of a multifunctional nature. We explore the critical
effects that changes in certain parameters can have on the Reservoir Computers'
ability to express multifunctionality. We also expose the existence of several
`untrained attractors'; attractors which dwell within the prediction state
space of the Reservoir Computer that were not part of the training. We conduct
a bifurcation analysis of these untrained attractors and discuss the
implications of our results.
- Abstract（参考訳）: 多機能性は、生物学的ニューラルネットワークのよく観察された現象学的特徴であり、時間とともに特定の種の生存に不可欠なものと考えられている。
これらの多機能ニューラルネットワークは、ネットワーク接続を変更することなく複数のタスクを実行することができる。
本稿では,現代の機械学習パラダイムであるReservoir Computingを用いて,この神経学的慣用性を実現する方法について検討する。
トレーニングテクニックは、リザーバコンピュータが多機能なタスクを実行できるように設計されている。
本研究では,特定のパラメータの変化が貯留層コンピュータの多機能表現能力に与える影響について検討する。
また,このトレーニングには含まれない貯水池コンピュータの予測状態空間内に居住する「未学習の誘引者」の存在も明らかにした。
我々は,これらの未訓練アトラクタの分岐解析を行い,結果の意義について考察する。
関連論文リスト
- Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳（メタデータ） (2024-09-17T04:48:45Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - Brain-inspired learning in artificial neural networks: a review [5.064447369892274]
人工ニューラルネットワークにおける脳にインスパイアされた学習表現について概説する。
これらのネットワークの能力を高めるために, シナプス可塑性などの生物学的に妥当な機構の統合について検討する。
論文 参考訳（メタデータ） (2023-05-18T18:34:29Z) - Seeing double with a multifunctional reservoir computer [0.0]
多機能生物学的ニューラルネットワークは、ネットワーク特性を変更することなく複数のタスクを実行するために、マルチスタビリティを利用する。
本研究では, 貯水池コンピュータが, 相互に重なり合う場合のアトラクタの共存を再構築する方法について検討する。
分岐解析は、RCがカオス状態に入ると多機能性がどのように出現し、破壊されるかを明らかにする。
論文 参考訳（メタデータ） (2023-05-09T23:10:29Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - Multi-Task Neural Processes [105.22406384964144]
我々はマルチタスク学習のためのニューラル・プロセスの新たな変種であるマルチタスク・ニューラル・プロセスを開発する。
特に,各タスク改善のための帰納的バイアスを提供するために,関数空間内の関連するタスクから伝達可能な知識を探索することを提案する。
その結果、マルチタスク学習におけるタスク間の有用な知識の伝達におけるマルチタスクニューラルプロセスの有効性が示された。
論文 参考訳（メタデータ） (2021-11-10T17:27:46Z) - A multi-agent model for growing spiking neural networks [0.0]
このプロジェクトでは、学習メカニズムとして、スパイキングニューラルネットワークのニューロン間の接続を拡大するためのルールについて検討している。
シミュレーション環境での結果は、与えられたパラメータセットに対して、テストされた関数を再現するトポロジに到達可能であることを示した。
このプロジェクトはまた、モデルパラメーターに最適な値を得るために、遺伝的アルゴリズムのようなテクニックを使用するための扉を開く。
論文 参考訳（メタデータ） (2020-09-21T15:11:29Z) - Reservoir Memory Machines as Neural Computers [70.5993855765376]
微分可能なニューラルネットワークは、干渉することなく明示的なメモリで人工ニューラルネットワークを拡張する。
我々は、非常に効率的に訓練できるモデルを用いて、微分可能なニューラルネットワークの計算能力を実現する。
論文 参考訳（メタデータ） (2020-09-14T12:01:30Z) - Do we know the operating principles of our computers better than those
of our brain? [0.0]
本稿は, 従来の原理, 構成要素, コンピューティングに対する考え方が, 生体系を模倣する制限をいかに限定するかを論じる。
我々は、生物学的ニューラルネットワークの驚くほど効率的な操作に近づくために、コンピューティングパラダイムにおいてどのような変化が必要なのかを説明する。
論文 参考訳（メタデータ） (2020-05-06T20:41:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。