問題タブ [biological-neural-network]

ニューラル ネットワークを使用してユーザーを認証する予定です。たとえば、Courseraでも同じ考え方が使用されています。ユーザーの入力パターンによってユーザーを認証しています。

これにはニューラルネットワークを使用します。入力は、正規化された統計的にきれいな値のベクトルになります。出力 - これが現在のユーザーである可能性。

使用前に、ユーザーからトレーニング データ セットが収集されます。

ただし、トレーニング中に現在のユーザーにのみデータセットを提供するのではないかと心配しています。不正なユーザーを認識するためのデータは提供されません。

トレーニングのために間違ったユーザーのデータを提供する必要があるかどうかアドバイスいただけますか? または、これにより適したネットワークタイプ/構成がいくつかあるのでしょうか?

前もって感謝します！

XOR 問題を解決できる 2 つの入力ニューロン、2 つの非表示ニューロン、1 つの出力ニューロンを備えた人工ニューラル ネットワーク (ANN) を実装することになっています。ネットワークの重みは、進化的アルゴリズムを使用して最適化する必要があります。各ニューロンの活性化関数と各 ANN の適合度関数が与えられます。次の図は、問題を要約し、私が使用した変数名を紹介しています。

今、私は問題を解決するために最善を尽くしましたが、1000 ANN と 2000 世代の母集団サイズを使用する進化的アルゴリズムを使用しても、私の最高の適合度は 0.75 よりも優れていることはありません。私のコードには、ニューロン、アクティベーション、およびフィットネス関数を含む ANN クラスと、進化的アルゴリズムを含み、ANN の重みを最適化する Main クラスが含まれています。コードは次のとおりです。

各 ANN は -1 と 1 の間のランダムな重みで初期化され、変異することができます。つまり、ランダムに選択された 1 つの重みが異なる変異を返します。

Main クラスには進化的アルゴリズムがあり、エリート主義とランクベースの選択を使用して各母集団の次世代を作成します。つまり、100 個の最良の ANN がコピーされ、残りの 900 個は以前に成功した ANN の突然変異です。

これについてかなり考え、学んだテクニックを使用しましたが、結果は満足のいくものではありません。何らかの理由で、最適な重みが重みごとに -1 にドリフトしているように見えます。それはどのように理にかなっていますか？重みの -1 から 1 の範囲は適切ですか? 変異に加えてクロスオーバーも導入する必要がありますか? これは非常に具体的な問題であることは承知していますが、助けていただければ幸いです。

最近、ニューラルネットワークに飛び込んでいます。それらは素晴らしいですが、控えめに言っても、少しあいまいで、非常にアクセスしにくいものです。私は特に、統合ニューロン モデルと発火ニューロン モデルを多用するリキッド ステート マシンに関心があります。しかし、これは完全に私を逃れます。ここにいくつかの質問があります：

1. 漏れやすい統合および発火ニューロンの完璧なニューロン構成は何ですか: https://en.wikipedia.org/wiki/Biological_neuron_model#Leaky_integrate-and-fire ? IE 漏れやすい統合および発火ニューロンが人工的なものであり、生物学的制約によって制限されていない場合。

2. その場合、典型的な人工ニューロン構造に適合するでしょうか、それともその漏れ性を保持するでしょうか?

3. 平易な英語では、漏れやすい統合と発火ニューロンはどのように機能しますか? それは液体の状態機械にどのように適合しますか（あなたがたまたま知っているなら、私は知っています）。

これらの質問のいずれかに対する答えを知っている場合は、お気軽に返信してください。

ありがとう！

私は「レザボア コンピューティングの世界」に非常に慣れていませんが、Liquid State Machines (LSM) はある種のスパイキング ニューロン ネットワーク モデル (SNN) であると聞いたことがあります。2つの実装の違いは正確には何ですか。

明確にする必要があるもう 1 つの側面は、対応する「エコー状態ネットワーク (ESN) のリーキー インテグレーター モデル」に関するものです。フォーラムの別の回答から、「私が見ているように（間違っている可能性があります）、2つのアプローチの大きな違いは個々のユニットです。液体状態のマシンではニューロンのような生物を使用し、エコー状態ではより多くのアナログ ユニットを使用します。したがって、「非常に短期的な記憶」に関して言えば、リキッド ステート アプローチでは個々のニューロンがそれぞれの履歴を記憶します。エコー ステート アプローチでは、個々のニューロンが現在の状態のみに基づいて反応し、ユニット間のアクティビティに保存された記憶が存在します。 .

これが正しいかどうか、そうでない場合は、その背後にある実際のコンセプトを教えてください。

jNeuroMLを実行すると、次のエラーが発生します。

どうすれば修正できますか？

一般に、比容量は biophysicalProperties セクションで宣言され、セル全体に適用されます。例えば：

セルの異なる部分に異なる比静電容量の値を割り当てるにはどうすればよいですか? たとえば、体細胞の 1 つの値と樹状突起の別の値。

nrniv コマンドを使用して NEURON シミュレーターを実行しているときに、どのように GUI を開きますか?