Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Experimentos Relacionados

El algoritmo "wake-sleep" para las redes neuronales sin supervisión.

G E Hinton1, P Dayan, B J Frey

  • 1Department of Computer Science, University of Toronto, Ontario, Canada.

Science (New York, N.Y.)
|May 26, 1995
PubMed
Resumen
Este resumen es generado por máquina.

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Knowing me, knowing you: Interpersonal similarity improves predictive accuracy and reduces attributions of harmful intent.

Cognition·2022
Same author

Disrupted habenula function in major depression.

Molecular psychiatry·2016
Same author

The specificity of Pavlovian regulation is associated with recovery from depression.

Psychological medicine·2016
Same author

Memory, modelling and Marr: a commentary on Marr (1971) 'Simple memory: a theory of archicortex'.

Philosophical transactions of the Royal Society of London. Series B, Biological sciences·2015
Same author

How receptor diffusion influences gradient sensing.

Journal of the Royal Society, Interface·2015
Same author

The influence of receptor positioning on chemotactic information.

Journal of theoretical biology·2014
Same journal

A native sulfur deposit in Gale crater, Mars.

Science (New York, N.Y.)·2026
Same journal

Coordinated demise of harmful algal blooms.

Science (New York, N.Y.)·2026
Same journal

Genetic effects put into context.

Science (New York, N.Y.)·2026
Same journal

Bacteria share proteins to survive antibiotics.

Science (New York, N.Y.)·2026
Same journal

Impacts shaped Earth's first continents.

Science (New York, N.Y.)·2026
Same journal

Erratum for the Report "Covalently bonded single-molecule junctions with stable and reversible photoswitched conductivity" by C. Jia <i>et al</i>.

Science (New York, N.Y.)·2026
Ver todos los artículos relacionados

Este estudio introduce un algoritmo de aprendizaje no supervisado para redes neuronales estocásticas. Utiliza distintas fases de "vigilia" y "sueño" para entrenar tanto el reconocimiento como las conexiones generativas para mejorar la representación y reconstrucción de datos.

Área de la Ciencia:

  • La neurociencia computacional es una neurociencia computacional.
  • Aprendizaje automático Aprendizaje automático.
  • La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

  • Las redes neuronales artificiales a menudo requieren grandes conjuntos de datos etiquetados para el entrenamiento.
  • Los métodos de aprendizaje no supervisado tienen como objetivo aprender representaciones de datos sin etiquetar.
  • El procesamiento jerárquico en los cerebros biológicos inspira arquitecturas de red en capas.

Objetivo del estudio:

  • Describir un nuevo algoritmo de aprendizaje no supervisado para redes neuronales estocásticas multicapa.
  • Permitir a las redes aprender representaciones y reconstruir datos sin etiquetas explícitas.
  • Investigar la interacción entre el reconocimiento y los procesos generativos en la computación neuronal.

Videos de Experimentos Relacionados

Principales métodos:

  • Desarrollo de un algoritmo de aprendizaje no supervisado para una red multicapa de neuronas estocásticas.
  • Implementación de conexiones de "reconocimiento" de abajo hacia arriba para el mapeo de entrada a representación.
  • Implementación de conexiones "generativas" de arriba hacia abajo para el mapeo de representación a reconstrucción.
  • Dos fases distintas: la fase de "vigilia" (impulsada por el reconocimiento) y la fase de "sueño" (impulsada por la generación).
  • Adaptación de los pesos de conexión para mejorar la probabilidad de la reconstrucción y producción correcta del vector de actividad.

Principales resultados:

  • El algoritmo entrena con éxito tanto el reconocimiento como las conexiones generativas en una red multicapa.
  • La fase de "vigilia" optimiza las conexiones generativas para una reconstrucción precisa de abajo hacia arriba.
  • La fase de "sueño" optimiza las conexiones de reconocimiento para una producción de arriba hacia abajo precisa.
  • Este enfoque de doble fase permite el aprendizaje sin supervisión de las representaciones jerárquicas.

Conclusiones:

  • El algoritmo de aprendizaje no supervisado propuesto capacita efectivamente a las redes neuronales estocásticas.
  • El mecanismo "wake-sleep" facilita el aprendizaje tanto de la extracción de características como de la generación de datos.
  • Este método ofrece un enfoque prometedor para el desarrollo de sistemas de IA más biológicamente plausibles y eficientes.