项目名称: 混合学习机制下神经网络的自组织演化与复杂分层结构的形成

项目编号: No.61304165

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 自动化技术、计算机技术

项目作者: 李秀敏

作者单位: 重庆大学

项目金额: 25万元

中文摘要: 自组织神经网络是认知神经动力学领域的一个重要研究方向,神经网络结构的自组织演化能有效提高网络的功能特性。目前,相关研究主要只针对单一学习机制的自组织神经网络。近期大量实验研究发现,神经元之间的突触连接在不同空间尺度上具有不同的连接形式和学习规律。这一神经生物学现象为研究脑网络中广泛存在的复杂分层结构的形成机理提供了重要依据。本项目拟采用突触的混合学习机制,即对称与非对称放电时间依赖的突触可塑性,对不同空间尺度上的突触连接采用不同的突触学习算法,从而构建具有模块及中心节点分层结构的自组织神经网络。通过分析神经网络的时空动力学特性,探索分层结构对网络自组织临界动力学的影响,从混合学习机制角度刻划脑网络中结构与功能的相互关系。本项目有关研究成果不仅有助于揭示脑网络中复杂结构的形成规律,同时对深入理解大规模神经网络中的高效信号传导机制以及发展和完善自组织神经网络在人工智能计算中的应用具有重要意义。

中文关键词: 自组织神经网络;神经动力学;复杂网络;突触可塑性;自组织临界

英文摘要: Self-organized neural network is an important research topic in the field of cognitive neurodynamics. The self-organization of network structure can significantly enhance the functional properties of neural network. So far, most of related studies only consider one single learning rule for the self-organization of neural networks. However, recently plenty of experimental studies have discovered that synaptic connections among neurons have different connective structures and learning strategies, depending on the spatial scales of connectivity. This neurophysiological phenomenon provides important evidience for exploring the formation mechanisms of the complex hierarchical structure, which prevalently exist in neocortex. Hence, in this project we will present a novel strategy to establish hierarchical neural networks with modules and hub-notes, which can be developed from the self-organization of neural networks by applying hybrid synaptic learning rules, i.e. symmetric and asymmetric spike-timing-dependent plasticity, on the synaptic connections with different spatial scales. Meanwhile, by analyzing the spatio-temporal properties of the neural network, the influence of hierarchical structure on the dynamics of self-organized criticality will be explored. The outcome of this research will be helpful for exploring

英文关键词: self-organized neural network;neural dynamics;complex network;synaptic plasticity;self-organized criticality

成为VIP会员查看完整内容
0

相关内容

【ICLR2022】通过传播网络编码学习通用的神经结构
专知会员服务
12+阅读 · 2022年2月13日
类脑超大规模深度神经网络系统
专知会员服务
55+阅读 · 2022年1月21日
专知会员服务
61+阅读 · 2021年9月20日
专知会员服务
24+阅读 · 2021年6月9日
专知会员服务
41+阅读 · 2021年6月2日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
53+阅读 · 2020年12月1日
专知会员服务
45+阅读 · 2020年11月13日
专知会员服务
49+阅读 · 2020年8月27日
专知会员服务
73+阅读 · 2020年5月21日
神经网络,凉了?
CVer
2+阅读 · 2022年3月16日
自动化所团队揭示多尺度动态编码,助力脉冲网络实现高效强化学习
中国科学院自动化研究所
0+阅读 · 2021年12月13日
自动化所Science Advances发文揭示介观自组织反向传播机制助力AI学习
中国科学院自动化研究所
1+阅读 · 2021年10月21日
Ihmehimmeli 项目:脉冲神经网络中的时序编码
谷歌开发者
17+阅读 · 2019年11月12日
脉冲神经网络与小样本学习【附PPT】
人工智能前沿讲习班
47+阅读 · 2019年2月1日
SNN,像你的大脑一样工作
中国科学院自动化研究所
80+阅读 · 2018年11月7日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Residual Mixture of Experts
Arxiv
0+阅读 · 2022年4月20日
Dynamic Network Adaptation at Inference
Arxiv
0+阅读 · 2022年4月18日
Hierarchical Graph Capsule Network
Arxiv
20+阅读 · 2020年12月16日
Arxiv
35+阅读 · 2020年1月2日
UNITER: Learning UNiversal Image-TExt Representations
Arxiv
23+阅读 · 2019年9月25日
Arxiv
24+阅读 · 2018年10月24日
Arxiv
19+阅读 · 2018年3月28日
Arxiv
10+阅读 · 2018年2月17日
小贴士
相关VIP内容
【ICLR2022】通过传播网络编码学习通用的神经结构
专知会员服务
12+阅读 · 2022年2月13日
类脑超大规模深度神经网络系统
专知会员服务
55+阅读 · 2022年1月21日
专知会员服务
61+阅读 · 2021年9月20日
专知会员服务
24+阅读 · 2021年6月9日
专知会员服务
41+阅读 · 2021年6月2日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
53+阅读 · 2020年12月1日
专知会员服务
45+阅读 · 2020年11月13日
专知会员服务
49+阅读 · 2020年8月27日
专知会员服务
73+阅读 · 2020年5月21日
相关资讯
神经网络,凉了?
CVer
2+阅读 · 2022年3月16日
自动化所团队揭示多尺度动态编码,助力脉冲网络实现高效强化学习
中国科学院自动化研究所
0+阅读 · 2021年12月13日
自动化所Science Advances发文揭示介观自组织反向传播机制助力AI学习
中国科学院自动化研究所
1+阅读 · 2021年10月21日
Ihmehimmeli 项目:脉冲神经网络中的时序编码
谷歌开发者
17+阅读 · 2019年11月12日
脉冲神经网络与小样本学习【附PPT】
人工智能前沿讲习班
47+阅读 · 2019年2月1日
SNN,像你的大脑一样工作
中国科学院自动化研究所
80+阅读 · 2018年11月7日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
相关论文
Residual Mixture of Experts
Arxiv
0+阅读 · 2022年4月20日
Dynamic Network Adaptation at Inference
Arxiv
0+阅读 · 2022年4月18日
Hierarchical Graph Capsule Network
Arxiv
20+阅读 · 2020年12月16日
Arxiv
35+阅读 · 2020年1月2日
UNITER: Learning UNiversal Image-TExt Representations
Arxiv
23+阅读 · 2019年9月25日
Arxiv
24+阅读 · 2018年10月24日
Arxiv
19+阅读 · 2018年3月28日
Arxiv
10+阅读 · 2018年2月17日
微信扫码咨询专知VIP会员