通过预测编码进行神经模拟深度学习的调查

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 计算神经科学是一种神经科学.

背景情况:

• 目前的人工智能主要使用经过错误反向传播训练的深度神经网络,这种方法的生物可信性受到质疑.
• 神经科学启发的学习算法正在成为传统人工智能培训方法的替代方案.
• 预测编码 (PC) 是一种神经科学理论,有可能用于人工智能应用.

研究的目的:

• 为了调查预测编码 (PC) 最近的进步,启发了深度神经网络的算法.
• 提供PC的历史概述,为了解当前发展奠定基础.
• 讨论PC在机器学习和人工智能的影响和未来方向.

主要方法:

• 审查关于预测编码 (PC) 和其在AI中的应用现有的文献.
• 分析PC的特性,包括其生物可信性,在变异推理中的数学基础和异步计算.
• 对基于PC的机器学习算法的当前研究工作和结果的综合.

主要成果:

• 预测编码 (PC) 证明了模拟大脑信息处理的潜力.
• 计算机算法在控制,机器人技术和各种机器学习子领域表现有前途.
• 新型类似PC的算法越来越多地在AI中开发和应用.

结论:

• 预测编码 (PC) 为人工智能提供了一个生物学上可信和数学上强大的框架.
• 持续开发PC启发的算法可以显著推进机器学习和人工智能.
• 对PC的进一步研究有望为未来的AI创新和应用提供希望.