郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布!
Preprint under review
ABSTRACT
最近的研究表明,卷积神经网络(CNN)并不是图像分类的唯一可行解决方案。此外,CNN中使用的权重共享和反向传播与生物视觉系统中存在的机制不符。为了提出一个更具生物学合理性的解决方案,我们设计了一个局部连接的脉冲神经网络(SNN),该网络使用脉冲时序依赖可塑性(STDP)及其奖励调节变体(R-STDP)学习规则进行训练。脉冲神经元和局部连接以及强化学习(RL)的使用使我们为我们提出的架构命名为BioLCNet。我们的网络由一个发放率编码的输入层和一个本地连接的隐藏层和一个解码输出层组成。输出层采用基于脉冲群体的投票方案进行解码。我们使用MNIST数据集来获得图像分类准确性并评估我们的奖励系统对不同目标响应的稳健性。
1 INTRODUCTION
2 RELATED WORK
3 THEORY
3.1 ADAPTIVE LIF NEURON MODEL
3.2 REWARD-MODULATED STDP
3.3 LOCAL CONNECTIONS
4 ARCHITECTURE AND METHODS
4.1 ENCODING LAYER
4.2 FEATURE EXTRACTION LAYER (LOCAL CONNECTIONS)
4.3 DECODING LAYER AND REWARDING MECHANISMS
4.4 TRAINING PROCEDURE
5 EXPERIMENTS AND DISCUSSION
5.1 IMAGE CLASSIFICATION
5.2 CLASSICAL CONDITIONING
6 CONCLUSIONS AND FUTURE WORK