Plasticidad de Múltiples Escalas Controlada por Astrocitos para Aprendizaje Continuo en Línea en Redes Neuronales de...

Área de la Ciencia:

• Ingeniería Neuromórfica
• Neurociencia Computacional
• Inteligencia Artificial

Sus antecedentes:

• Las Redes Neuronales de Espigas (SNN) ofrecen una computación eficiente energéticamente y basada en eventos, ideal para datos sensoriales en tiempo real.
• El entrenamiento en línea y continuo de SNN profundas enfrenta desafíos como cuellos de botella de memoria con Backpropagation-through-Time (BPTT) y el dilema estabilidad-plasticidad en las reglas de aprendizaje local.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje en línea escalable para SNN que aborde las limitaciones de los métodos de entrenamiento existentes.
• Introducir un mecanismo inspirado biológicamente, la Plasticidad de Múltiples Escalas Controlada por Astrocitos (AGMP), para un aprendizaje continuo robusto en SNN.

Principales métodos:

• AGMP aumenta las trazas de elegibilidad con una señal de enseñanza de difusión y un mecanismo de control mediado por astrocitos.
• Una variable astrocítica lenta modula dinámicamente la plasticidad en función de la actividad neuronal, suprimiendo las actualizaciones durante períodos estables y permitiendo la adaptación durante los cambios de distribución.
• El marco se evaluó en puntos de referencia neuromórficos (N-Caltech101, DVS128 Gesture, SHD) y tareas de Aprendizaje Continuo de Clase Incremental (Split CIFAR-100).

Principales resultados:

• AGMP logra una precisión comparable a BPTT fuera de línea manteniendo una complejidad de memoria temporal constante O(1).
• En el Aprendizaje Continuo de Clase Incremental, AGMP reduce significativamente el olvido catastrófico sin necesidad de búferes de repetición.
• AGMP supera las reglas de aprendizaje en línea existentes de última generación en escenarios de aprendizaje continuo.

Conclusiones:

• AGMP presenta un enfoque biológicamente fundamentado y amigable con el hardware para el aprendizaje permanente en agentes autónomos.
• El método propuesto ofrece una solución viable para el entrenamiento en línea y continuo robusto y eficiente de SNN.