Likit Durum Makinesi: Nasıl çalışır ve nasıl kullanılır?

Question

Artık LSM (Sıvı Durum Makineleri) hakkında bilgi alıyorum ve nasıl öğrendiklerini öğrenmeye çalışıyorum.

Web üzerinden okuduğumdan oldukça kafam karıştı.

ben anladım yazacağım -> Bu yanlış olabilir ve beni düzeltip doğru olanın açıklayabilir eğer memnuniyet duyarız:

1. LSMS hiç eğitimli değildir: Bunlar sadece "geçici nöronlar" (örneğin, Leaky Integrate & Yangın nöronları) ile başlatılırken, eşikleri rasgele seçilirken, aralarındaki bağlantılar (yani her nöronun diğer nöronların her biri ile ortak bir kenara sahip olmaması gerekir) seçilir. Eğer x zaman birimleri Ben, Y meydana oluşumunu girdikten sonra sen LIF ile "dedektörleri" x zaman birimlerini "bekle" gerektiğini "öğrenmek" için

2. ve bu belirli zamanda hangi nöronların ateş ettiğini görün. Daha sonra, bir sınıflandırıcıyı (örn., FeedForward Network) eğitebilirsiniz, bu nöronların ateşlemesinin bu spesifik alt kümesi, olayın Y ortaya çıktığı anlamına gelir. Eğer x bekletildi

3. Eğer nöronların ateşleme birçok olası farklı alt kümelerini olabilir, böylece sizin "sıvı" birçok "zamansal nöronları" kullanabilir

   , böylece nöronların ateşleme belirli bir alt kümesidir an için neredeyse benzersiz olur zaman birimleri, girişinizi girdikten sonra ben

ben ne yukarıda yazdım doğrudur olmadığını bilmiyorum, ya da toplam çöp olup olmadığı.

Lütfen bunun LIF'in doğru kullanım ve hedefleri olup olmadığını söyleyin.

Answer 1

Sorularınızda doğru yolda olduğunuz anlaşılıyor. Her neyse, Sıvı Durum Makinesi ve Yankı Durum makinesi, hesaplamalı sinirbilim ve fizik, kaos, dinamik eylem sistemi ve geri bildirim sistemi ve makine öğrenimi gibi konularla uğraşan karmaşık konulardır. Öyleyse başınızı etrafa sarmak zor geliyorsa, sorun değil. eğitimsiz nöronların rezervuarı kullanarak Sıvı Devlet Makineleri

1. Çoğu uygulamalar:
   Sorularınızı cevaplamak için. Rezervuarı eğitmek için bazı girişimler var ama bu amaç için gerekli olan hesaplama gücüne değecek büyük bir başarı elde etmediler.
   
   Benim görüşüm (Paralel Perceptrons http://www.igi.tugraz.at/psfiles/pdelta-journal.pdf için p-Delta Öğrenme Kuralı) veya (Bkz Rezervuar bilgisayar tekrarlayan sinir ağı eğitim http://www.sciencedirect.com/science/article/pii/S1574013709000173 yaklaşır) belirlersiniz ayrılabilirliğine veya desen genelleme vadede sınıflandırıcı olarak Liquid kullanmak istiyorsanız Sen, nöronların birbiri ile aralarındaki ilişkiden çok daha fazlasını kazanabilirsiniz (bkz. Hazan, H. ve Manevitz, L., sıvı hal makinelerinde topolojik kısıtlamalar ve sağlamlık, Uygulamalar ile Uzman Sistemler, Cilt 39, Sayı 2, Sayfalar 1597) 1606, http://dx.doi.org/10.1016/j.eswa.2011.06.052, Şubat 2012.) veya (Likid Devlet Makinesinde Hangi Model Kullanılır? http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5178822) Biyolojik yaklaşım (bence en ilginç olanı) (Bir Nöron Zamanla-Bağımlılığa Bağlı Plastisite ile Ne Öğrenebilir? Www .mitpressjournals.org/doi/abs/10.1162/0899766054796888)
2. Doğru değil, en azından girişi verene kadar beklemeniz gerekir. Aksi halde, girişinizi tespit etmeniz riskini taşır ve girişinizden olması gerektiği gibi gerçekleşen faaliyeti etkilemezsiniz.
3. Evet, sıvı karmaşıklığınızın veri noktalarını bir hiper uzaya ve sıvıdaki detektöre veri kümesindeki sınıflar arasında ayırmaya çalışan bölüm olarak yansıtmaya çalışan SVM'deki bir çekirdek olduğunu hayal edebilirsiniz. Bir başparmak kuralı olarak, nöron sayısı ve birbirleri arasında bağlanma şekilleri sıvının karmaşıklık derecesini belirler. LIF Hakkında
   

(Çatlak entegre ve Yangın nöronlar), I (Ben yanlış olabilir) iki yaklaşım arasındaki büyük fark, bireysel bir birimdir gördüğüm kadarıyla. Sıvı haldeki makinede biyolojik benzeri nöronlar kullanılır ve Yankı durumunda daha fazla analog birim kullanılır. Bu nedenle “çok kısa süreli bellek” açısından Likit Devlet her bir nörona yaklaşır, Echo haldeki her bir nöronun yalnızca mevcut duruma dayanarak tepki verdiği kendi tarihini hatırlar, burada birimler arasındaki aktivitede saklanan hafıza için .

Answer 2

LSM'leri anlamak için Sıvı ile karşılaştırmayı anlamalısınız. Aşağıdaki resme bakın:

• Rastgele taşları suya atarsınız. Suya attığınız taşların ne tür olduğuna bağlı olarak, x timesteps'ten sonra başka bir dalga modeli var. Farklı taşlar içeri attı taşların ne tür söyleyebilir bu desen Out
• özellikleri hakkında sonuçlara sahip olabilir, bu dalga deseni İlişkin
• .

LSM modeller bu davranış :

• Nöronların rezervuarına rastgele bağlı bir giriş katmanı. Suya attığınız taşlar olarak alın. Rastgele bağlanmış nöronlardan oluşan bir rezervuar. Bunlar, taşlarınızla belirli bir şekilde etkileşime geçen Suyu temsil eder.
  • LSM açısından özel Nöronlar var (gerçek nöronları modellemeye çalışırlar). Zaman dilimi boyunca aktivasyonlar eklerler ve sadece belirli bir miktarda aktivasyona ulaşılırsa yanarlar, beyinde natrium kalium pompalarını temsil eden bir cooldown faktörü eklenir. O zamandan sonra x çivileri bir çivili nöron desenine sahip olacaksınız.
• Bu modeli yorumlayan bir çıktı katmanı ve onu sınıflandırma için kullanır.

Answer 3

Diğer okuyucular için 2 ek puan daha eklemek istiyorum. İlk olarak, "natrium-kalium" pompaları, İngilizce olarak sodyum-potasyum pompalarıdır. İkincisi, sıvı durum makineleri (LSM) ve sonlu durum makineleri (FSM) arasındaki ilişkidir (bazı okuyucular sonlu durumlu makinelerin anlaşılmasıyla gelebilir).

LSM ve FSM arasındaki ilişki çoğunlukla yalnızca bir benzeşimdir. Bununla birlikte, bir LSM'nin birimleri (nöronlar), yangın aksiyon potansiyellerinin (değişim durumu) olup olmadığına bakılmaksızın FSM olarak ayrı ayrı modellenebilir.Bununla ilgili bir zorluk, her birimin ve komşularının durum değişikliklerinin sabitlenmemesidir. Dolayısıyla, tüm birimlerin durumlarını ve zaman içinde nasıl değiştiklerini göz önüne aldığımızda, sonsuz bir geçiş tablosu elde ederiz ve bu da LSM'yi bir FSM'ye değil, bir geçiş sistemi sınıfına sokar (belki de bu biraz açıktır). Ancak, daha sonra doğrusal ayırıcıyı ekliyoruz ... Bu, istenen hesaplamalara karşılık gelen LSM'deki kalıpları seçmek için eğitilen basit bir deterministik okuma katmanıdır. Okuma sistemi, bir birim alt kümesini izler ve genellikle iyi tanımlanmış geçici kurallara sahiptir. Diğer bir deyişle, birçok durum geçişini göz ardı eder ve sadece birkaçına duyarlıdır. Bu bir şekilde FSM'ye benziyor.

LSM'deki birimler kombinasyonlarının FSM'yi "neredeyse içinde bulunan" FSM'yi tanımlayacağı şekilde FSM oluşturabildiğini okuyabilirsiniz. Bu, LSM'yi bir bilgisayar modeli olarak ilk ve en önemli olarak düşünen bir yazardan gelmektedir (prensipte bir "sanal FSM" içeren birimleri ve bağlantıları aydınlatabilir ve gerçek bir benzer FSM kurabilir). Bu tür bir açıklama, LSM'yi bir biyolojik sistem olarak düşünen herkes için kafa karıştırıcı olabilir; buradaki okuma, LSM'nin özelliklerini seçen ve birleştiren, yüksek boyutlu değişkenliği göz ardı eden ve güvenilir bir şekilde üreten bir unsur olarak düşünmek daha iyidir. Düşük boyutlu FSM sonuç gibi.