Skip to main content
LibreTexts - Ukrayinska

4.5: Рамки Leabra

  1. Last updated
  2. Save as PDF
  • Page ID
    72431

    • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)

    969px-fig_leabra_mechs_xcal.png
    Малюнок\(4.13\): Короткий опис усіх механізмів у рамках Leabra, що використовується в цьому тексті, що містить резюме останніх трьох розділів.

    На малюнку 4.13 представлено резюме фреймворка Leabra, яке є назвою, наданою комбінації всіх нейронних механізмів, які були розроблені до цього моменту в тексті. Leabra розшифровується як Навчання на основі помилок та асоціативного, біологічно реалістичного алгоритму - назва покликана викликати шкалу балансу «Терези», де в цьому випадку баланс відображається у поєднанні помилкового та самоорганізованого навчання («асоціативний» - інша назва для Навчання гевію). Він також являє собою баланс між низькорівневими, біологічно деталізованими моделями та більш абстрактними обчислювально-мотивованими моделями. Біологічно заснований спосіб навчання на основі помилок вимагає двонаправленого підключення, а структура Leabra є відносно унікальною у своїй здатності вивчати складні обчислювальні завдання в контексті цього поширеного двонаправленого зв'язку. Крім того, інгібіторна функція FFFB, що виробляє динаміку K-Winners-take-all, є унікальною для структури Leabra, а також дуже важлива для її загальної поведінки, особливо в управлінні динамікою, яка виникає з двонаправленим зв'язком.

    Отже, різні елементи рамки Leabra є синергетичними один з одним і, як ми вже обговорювали, високо сумісні з відомими біологічними особливостями неокортекса. Таким чином, структура Leabra забезпечує міцну основу для когнітивних моделей нейронауки, які ми досліджуємо далі у другій частині тексту.

    Для тих, хто вже знайомий з фреймворком Leabra, див. подробиці Leabra для короткого огляду того, як XCAL версія алгоритму, описаного тут, відрізняється від попередньої форми Leabra, описаної в оригінальному підручнику CECN (O'Reilly & Munakata, 2000).

    Розвідка Лібра

    Відкрийте моделювання сімейних дерев, щоб дослідити Leabra навчання в глибокій багаторівневій мережі, виконуючи більш складне завдання з деякою реальною актуальністю. Це моделювання дуже цікаво для того, щоб показати, як мережі можуть створювати власну структуру подібності на основі функціональних зв'язків, спростовуючи поширену помилку, що мережі керуються виключно структурою схожості вхідних даних.