一个双层的自我组织地图,带有向量符号架构,用于时空序列学习和预测
Thimal Kempitiya1, Damminda Alahakoon1, Evgeny Osipov2
1Centre for Data Analytics and Cognition, La Trobe University, Melbourne, VIC 3086, Australia.
Biomimetics (Basel, Switzerland)
|March 27, 2024
概括
这项研究引入了一种用于空间时间学习和预测的新算法. 它通过分离空间和时间模式,在无监督序列学习中实现了45%的错误减少.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 时空数据给当前的学习算法带来了挑战.
- 实时预测需要适应性和灵活的学习方法.
- 认知神经科学激发了对模式识别的新方法.
研究的目的:
- 提出一种新的自然和神经科学启发的算法,用于时空学习和预测.
- 通过动态数据变化和概念漂移来实现快速和适应性学习.
- 为了提高预测下一个事件在现实生活中的时间空间数据.
主要方法:
- 开发了一个基于顺序回忆和矢量符号架构 (VSA) 的时空学习算法.
- 空间和时间模式的脱学习,使用空间模式作为时间序列的字母表.
- 使用无监督学习用于在未标记的数据流中检测模式.
- 利用基于计算的超维 (HD) 联想性内存进行连续预测.
主要成果:
- 拟议的ST-SOM算法在空间时空无监督序列学习中比最先进的方法具有显著的优势.
- 与等级时间记忆 (HTM) 算法相比,实现了45%的错误减少.
- 经验评估使用基准和时间序列数据集.
结论:
- 这种新的算法为实时时空学习和预测提供了一种灵活和适应性的方法.
- 空间和时间模式的脱提高了适应不断变化的数据和概念漂移的能力.
- 该算法有效地解决了用于预测顺序模式的计算要求.


