継続的な親しみの検出中に人工神経ネットワークのモジュラー構造の出現と再構成

人工知能の進歩により、神経ネットワークはさまざまなタスクを学習できるようになりましたが、これらのネットワークの学習動態についての理解は依然として限られています。ここでは、継続的な親しみの検出タスクにおけるヘッブ型フィードフォワード神経ネットワークの学習中の時間的動態を研究します。ネットワーク神経科学からインスピレーションを得て、ネットワークのダイナミックな再構成を調査し、学習の過程でネットワークモジュールがどのように進化するかに焦点を当てます。ネットワークの精度、モジュラー柔軟性、さまざまな学習モードにおける分布エントロピーなどの指標を用いた包括的な評価を通じて、私たちのアプローチは、ネットワーク再構成のさまざまな未知のパターンを明らかにします。ネットワークモジュラリティの出現はパフォーマンスの顕著な予測因子であり、モジュラー化は学習を通じて柔軟性の増加に伴って強化されることがわかりました。これらの洞察は、ネットワークのモジュラリティ、精度、学習動態の微妙な相互作用を解明するだけでなく、人工および生物的エージェントにおける学習の理解の架け橋ともなります。