A New Perspective on Memorization in Recurrent Networks of Spiking Neurons
-
- Englisch ausgewählt
64,00 €
inkl. gesetzl. MwSt.,
Beschreibung
Produktdetails
Einband
Paperback
Erscheinungsdatum
06.05.2022
Herausgeber
Hans-Andrea LoeligerVerlag
Hartung-GorreSeitenzahl
206
Maße (L/B/H)
21/14,8/1,5 cm
Gewicht
360 g
Auflage
2022
Sprache
Englisch
ISBN
978-3-86628-758-7
In the first part, discrete-time firing signals (or firing sequences) are considered. A recurrent network model, consisting of neurons with bounded disturbance, is introduced to analyze (simple) local learning. Two modes of learning/memorization are considered: The first mode is strictly online, with a single pass through the data, while the second mode uses multiple passes through the data. In both modes, the learning is strictly local (quasi-Hebbian): At any given time step, only the weights between the neurons firing (or supposed to be firing) at the previous time step and those firing (or supposed to be firing) at the present time step are modified. The main result is an upper bound on the probability that the single-pass memorization is not perfect. It follows that the memorization capacity in this mode asymptotically scales like that of the classical Hopfield model (which, in contrast, memorizes static patterns). However, multiple-rounds memorization is shown to achieve a higher capacity with an asymptotically nonvanishing number of bits per connection/synapse. These mathematical findings may be helpful for understanding the functionality of short-term memory and long-term memory in neuroscience.
In the second part, firing signals in continuous-time are studied. It is shown how firing signals, containing firings only on a regular time grid, can be (robustly) memorized with a recurrent network model. In principle, the corresponding weights are obtained by supervised (quasi-Hebbian) multi-pass learning. The asymptotic memorization capacity is a nonvanishing number measured in bits per connection/synapse as its discrete-time analogon. Furthermore, the timing robustness of the memorized firing signals is investigated for different disturbance models.
The regime of disturbances, where the relative occurrence-time of the firings is preserved over a long time span, is elaborated for the various disturbance models. The proposed models have the potential for energy efficient self-timed neuromorphic hardware implementations.
Ein neues Kapitel für Ihre Bücher
Ein neues Kapitel für Ihre Bücher
Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten Sie dafür eine Thalia Geschenkkarte.
Noch keine Bewertungen vorhanden
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice