题名 | 类脑皮层表征神经计算模型及其应用 |
作者 | 王寓巍![]() |
答辩日期 | 2017-05 |
授予单位 | 中国科学院研究生院 |
授予地点 | 北京 |
导师 | 曾毅 |
关键词 | 小样本学习 脉冲神经网络 脑皮层 层次时序记忆模型 |
英文摘要 |
传统人工神经网络,尤其是深度学习(Deep Learning,DL)所代表的人工神经网络(Artifitial Neural Networks,ANN)在进行模式识别任务时,强调通过定义损失函数,并通过数据的不断迭代训练,对神经元间的连接权重进行调整,从而完成学习任务。然而,人类并不是采用这种方式习得知识的,从生物学上来讲,传统人工神经网络所考虑的机理过于简单,并不能解释人类需要小样本的训练即可习得新知识的现象。本文着眼于具有生物学可解释性的神经元模型进行文本表征、并通过构建类脑皮层神经计算模型,进行文本生成、自
动问答等小样本学习任务。
首先,本文基于脉冲神经网络,将脉冲发放时间作为模式表示的特征,提出了基于齐次Poisson过程的神经编码方法、基于LIF 神经元模型的二值词表征转化方法、基于Izhikevich神经元模型的二值词表征转化方法等多种类脑无监督表示学习方法,将原始稠密的词向量转化为对大脑皮层友好的二值词表征。基于GloVe 及Word2Vec 两个不同源的词向量在五个数据集上进行试验,结果表明,所提出的二值词表征方法不仅在可解释性上胜于传统方法,还在语义相似性、文本分类等相关测试中超越传统方法。
其次,本文提出基于语义化层次时序记忆模型的小样本学习模型。该工作结合受大脑皮层相关中神经元、远端突触、细胞柱及时序计算机制的启发的层次时序记忆模型,建立神经计算模型,在完善原始模式表征方式的同时,结合脉冲神经网络所转化的二值词表征,进行小样本学习任务,并在文本生成、自动问答等任务的三个数据集上取得了较传统模型LSTM模型更好的效果。 |
学科主题 | 模式识别与智能系统 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/14745] ![]() |
专题 | 毕业生_硕士学位论文 |
作者单位 | 中国科学院自动化研究所 |
推荐引用方式 GB/T 7714 | 王寓巍. 类脑皮层表征神经计算模型及其应用[D]. 北京. 中国科学院研究生院. 2017. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论