Key points are not available for this paper at this time.
Arquiteturas de ressonância adaptativa são redes neurais que se auto-organizam em códigos de reconhecimento de padrões estáveis em tempo real em resposta a sequências arbitrárias de padrões de entrada. Este artigo introduz o ART 2, uma classe de arquiteturas de ressonância adaptativa que rapidamente auto-organizam categorias de reconhecimento de padrões em resposta a sequências arbitrárias de padrões de entrada, seja analógicos ou binários. Para lidar com sequências arbitrárias de padrões de entrada analógicos, as arquiteturas ART 2 incorporam soluções a uma série de princípios de design, como a compensação entre estabilidade e plasticidade, a compensação entre busca e acesso direto, e a compensação entre correspondência e reinício. Nestas arquiteturas, mecanismos de expectativa aprendida de cima para baixo e de correspondência são críticos para estabilizar o processo de aprendizagem de códigos. Um esquema de busca paralelo se atualiza adaptativamente à medida que o processo de aprendizagem se desenrola, realizando uma forma de descoberta, teste, aprendizagem e reconhecimento de hipóteses em tempo real. Após a auto-estabilização da aprendizagem, o processo de busca é automaticamente desligado. A partir disso, padrões de entrada acessam diretamente seus códigos de reconhecimento sem nenhuma busca. Assim, o tempo de reconhecimento para entradas familiares não aumenta com a complexidade do código aprendido. Um novo padrão de entrada pode acessar diretamente uma categoria se compartilhar propriedades invariantes com o conjunto de exemplares familiares dessa categoria. Um parâmetro chamado parâmetro de vigilância atencional determina quão finas serão as categorias. Se a vigilância aumentar (diminuir) devido ao feedback ambiental, então o sistema automaticamente busca e aprende categorias de reconhecimento mais finas (mais grossas). Parâmetros de controle de ganho permitem que a arquitetura suprimam ruído até um nível prescrito. O design global da arquitetura permite que ela aprenda efetivamente, apesar do alto grau de não linearidade de tais mecanismos.
Building similarity graph...
Analyzing shared references across papers
Loading...
Gail A. Carpenter
Iowa State University
Stephen Grossberg
Dartmouth College
Applied Optics
Building similarity graph...
Analyzing shared references across papers
Loading...
Carpenter et al. (Ter,) estudaram essa questão.
synapsesocial.com/papers/69dfeda160d9fa30ca7a10ad — DOI: https://doi.org/10.1364/ao.26.004919
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: