生物学的に妥当な学習のためのモジュラーリキュアントニューラルネットワークを通じてエラー信号の補助的な伝播

科学分野:

• 神経科学は神経科学である.
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 脳機能を理解し,インテリジェントなシステムを設計するには,生物学的に妥当な学習メカニズムが必要です.
• 現在の人工ニューラルネットワークのトレーニングは,しばしばバックプロパガンダ (BP) に依存しており,そのフィードバック要件のために生物学的妥当性が欠けている.

研究 の 目的:

• 脳の複数のスケールで繰り返される接続性からインスパイアされた新しいアジョイントプロパガンダ (AP) フレームワークを導入する.
• 人工ニューラルネットワークを訓練するために,生物学的に妥当かつ効率的な学習メカニズムを開発する.
• 同じ再発性ニューラルネットワーク (RNN) 内の複数のタスクの同時エラー伝播を可能にします.

主な方法:

• 脳の多層次的な再帰的な接続性からインスパイアされたAPフレームワークは,再帰的なダイナミクスからエラーシグナルを生成します.
• APフレームワークは,マルチリージョン再帰ニューラルネットワーク (MR-RNN) モデルからモジュラリティを継承しています.
• 迅速かつスケーラブルなトレーニングのためのRNNモジュール収束特性を活用し,生物学的に不合理なフィードバックを排除します.

主要な成果:

• APフレームワークは,ベンチマークタスクに関して,BPで訓練されたネットワークに匹敵する精度を達成します.
• 訓練において強度を示し,長期にわたってパフォーマンスを維持します.
• 複数の認知作業のための柔軟なリソース割り当てをサポートし,神経科学の観察と整合します.

結論:

• APフレームワークは,BPに生物学的に妥当な代替案を提供し,人工学習と生物学的学習の原則を橋渡ししています.
• エネルギー効率の良い,脳にインスパイアされたインテリジェント・システムへの道を開く.
• 実験的な神経科学の研究を導くためのメカニズム理論を提供する.