เครือข่ายPulsed หรือ Spikingรวมการเปลี่ยนแปลงของเมมเบรนของเซลล์ประสาทชีวภาพมากขึ้นซึ่งพัลส์จะนำข้อมูลไปยังชั้นถัดไป เซลล์ประสาทไม่จำเป็นต้อง "ยิง" ทั้งหมดในเวลาเดียวกันเช่นเดียวกับที่ทำใน backprop
ทว่าดูเหมือนว่าจะมีอุปสรรคในการใช้โมเดลเหล่านี้สำหรับปัญหาการเรียนรู้ของเครื่อง มีปัญหาอะไรบ้างในแนวทางของผู้เรียนรู้ด้วยเครื่องจักรโดยใช้แบบจำลองที่มีความสมจริงทางชีวภาพมากกว่า
คำตอบ:
ปัญหาสำคัญคือไม่มีใครรู้ว่าสมองทำงานอย่างไร :)
ทฤษฎี
เท่าที่ฉันสามารถบอกได้มีสามขั้นตอนใหญ่ในการวิจัยเครือข่ายประสาท:
โดยพื้นฐานแล้ววิวัฒนาการที่นี่คือการเข้าใกล้การทำงานของสมองของมนุษย์มากขึ้นและรุ่นสุดท้ายมีความเที่ยงตรงที่สุด
การปฏิบัติ
ดูเหมือนว่า SNN นั้นจะมีความหวังสูงและยังมีผลิตภัณฑ์SpikeNET ที่สร้างขึ้นมาจากด้านบน (ภายใต้ "สิ่งที่ SpikeNET สามารถทำได้" และ "สิ่งที่ SpikeNET ไม่สามารถทำได้" คุณสามารถเห็นปัญหาที่พวกเขาเผชิญ)
ฉันไม่สามารถบอกเกี่ยวกับปัญหาที่เฉพาะเจาะจงเกี่ยวกับเครือข่ายที่รวดเร็ว - แต่โดยทั่วไปฉันรู้สึกว่าปัญหาเกิดขึ้นเพราะผู้คนต้องการให้ SNN ทำงานเหมือนสมองของมนุษย์มากขึ้นเรื่อย ๆ :
วิกิพีเดียมีการเชื่อมโยงไปที่"Pulsed โครงข่ายประสาท"หนังสือที่มี "ปัญหาด้านการดำเนินงานของชีพจรรหัสโครงข่ายประสาทส่วน" แต่ฉันไม่ได้รับการศึกษามากพอที่จะแสดงความคิดเห็นในที่
สำหรับการแนะนำหัวข้อฉันแนะนำบทความนี้: Pulsed Neural Networks และการใช้งาน ( pdf )
ดูเหมือนว่าอัลกอริทึมเครือข่ายประสาททั้งหมดใช้รูปแบบของการไล่ระดับสีในการฝึกอบรมของพวกเขาและแม้แต่แบบที่ไม่ใช่ ANN ก็ใช้การไล่ระดับสี ดูเหมือนว่าจะไม่มีทฤษฎีเกี่ยวกับวิธีการใช้การไล่ระดับสีแบบไล่ระดับในแบบชั่วคราวกับ SNN ความเป็นไปได้ทางหนึ่งคือการเพิ่มขึ้นของการคำนวณ neuromorphicซึ่งใช้แบบจำลองทางชีวภาพที่เหมือนจริงมากขึ้นซึ่งคล้ายกับ SNNs แต่ดูเหมือนว่าจะไม่มีการวัดประสิทธิภาพ / การเรียนรู้ด้วยเครื่องที่แข็งแกร่งในเขตข้อมูล neuromorphic เช่นเดียวกับการวัดประสิทธิภาพที่ชัดเจนกับ ANN ในปัญหา ML มาตรฐานหลายอย่างเช่นการรู้จำลายมือการรู้จำเสียงการรู้จำภาษาการแปลภาษา ฯลฯ