Biologically inspired artificial neural networks (Q84145)
Jump to navigation
Jump to search
Project Q84145 in Poland
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | Biologically inspired artificial neural networks |
Project Q84145 in Poland |
Statements
19,701,875.0 zloty
0 references
19,701,875.0 zloty
0 references
100.0 percent
0 references
1 September 2019
0 references
29 November 2023
0 references
UNIWERSYTET JAGIELLOŃSKI
0 references
Model sztucznych sieci (SSN) neuronowych powstał w oparciu o analogie do biologicznych odpowiedników, takich jak uproszczony model neuronu czy układ neuronów siatkówki oka. Ze względu na rosnącą złożoność oraz problemy z wypracowaniem efektywnych metod uczenia głębokich SSN, sztuczne sieci neuronowe zdominowały rozwiązania bazujące na strukturach algebraicznych. Obecnie zaawansowane podejścia w uczeniu maszynowym takie jak głębokie uczenie wykazują szereg niepożądanych cech, takich jak zapominanie, podatność na oszukańcze przykłady, wymaganie dużego zbioru treningowego i powolne uczenie. Żadna z tych cech nie występuje w kontekście działania biologicznego mózgu co sugeruje, że korzystny byłby powrót do mocniejszej inspiracji SSN przy pomocy biologicznych systemów neuronalnych. Celem projektu jest analiza wysoko-poziomowych zachowań systemów neuronalnych i budowa nowatorskich modeli SSN poprzez zaproponowanie nowych paradygmatów uczenia i nowych architektur modeli obliczeniowych (Polish)
0 references
The model of artificial neural nets (SSNs) is based on analogies to biological counterparts, such as a simplified model of neuron and retinal neurons. Due to increasing complexity and problems with the development of effective methods of deep learning of SSNs, artificial neural networks dominated solutions based on algebraic structures. Currently advanced approaches in machine learning such as deep learning exhibit a number of undesirable features such as forgetting, vulnerability to fraudulent examples, requiring a large training set, and slow learning. None of these features occur in the context of brain biological activity, suggesting that it would be beneficial to return to a stronger inspiration of SSNs with the help of biological neuronal systems. The aim of the project is to analyse the high-level behaviour of neuronal systems and to build innovative SSN models by proposing new learning paradigms and new architectures of computational models (English)
14 October 2020
0.31469295541127
0 references
Le modèle des réseaux neuronaux artificiels (SSN) a été créé sur la base d’analogies avec des homologues biologiques, tels que le modèle simplifié du neurone ou le système des neurones rétiniens de l’œil. En raison de la complexité croissante et des problèmes de développement de méthodes d’apprentissage SSN profondes efficaces, les réseaux de neurones artificiels ont dominé des solutions basées sur des structures algébriques. Aujourd’hui, les approches avancées de l’apprentissage automatique tels que l’apprentissage profond montrent un certain nombre de traits indésirables, tels que l’oubli, la susceptibilité aux exemples frauduleux, nécessitant un vaste ensemble de formation et un apprentissage lent. Aucun de ces traits ne se produit dans le contexte de l’action biologique du cerveau, ce qui suggère qu’il serait bénéfique de revenir à une inspiration SSN plus forte à l’aide de systèmes neuronaux biologiques. L’objectif du projet est d’analyser le comportement de haut niveau des systèmes neuronaux et de construire des modèles SSN innovants en proposant de nouveaux paradigmes d’apprentissage et de nouvelles architectures de modèles informatiques. (French)
30 November 2021
0 references
Das Modell der künstlichen neuronalen Netze (SSN) wurde auf der Grundlage von Analogien zu biologischen Gegenstücken wie dem vereinfachten Modell des Neurons oder dem System der Netzhautneuronen des Auges erstellt. Aufgrund der zunehmenden Komplexität und der Probleme bei der Entwicklung effektiver tiefer SSN-Lernmethoden dominierten künstliche neuronale Netze Lösungen, die auf algebraischen Strukturen basieren. Heute zeigen fortgeschrittene Ansätze im maschinellen Lernen wie Deep Learning eine Reihe von unerwünschten Merkmalen, wie Vergessen, Anfälligkeit für betrügerische Beispiele, die einen großen Trainingssatz erfordern, und langsames Lernen. Keine dieser Merkmale tritt im Zusammenhang mit der biologischen Wirkung des Gehirns auf, was darauf hindeutet, dass es vorteilhaft wäre, mit Hilfe biologischer neuronaler Systeme zu einer stärkeren SSN-Inspiration zurückzukehren. Ziel des Projekts ist es, das Verhalten neuronaler Systeme auf hohem Niveau zu analysieren und innovative SSN-Modelle zu entwickeln, indem neue Lernparadigmen und neue computergestützte Modellarchitekturen vorgeschlagen werden. (German)
7 December 2021
0 references
Het model van kunstmatige neurale netwerken (SSN) werd gemaakt op basis van analogieën met biologische tegenhangers, zoals het vereenvoudigde model van het neuron of het systeem van netvliesneuronen van het oog. Vanwege de toenemende complexiteit en problemen van het ontwikkelen van effectieve diepe SSN-leermethoden domineerden kunstmatige neurale netwerken oplossingen op basis van algebraïsche structuren. Tegenwoordig tonen geavanceerde benaderingen in machine learning zoals deep learning een aantal ongewenste eigenschappen, zoals vergeten, gevoeligheid voor frauduleuze voorbeelden, waarvoor een grote trainingsset vereist is en langzaam leren. Geen van deze eigenschappen komen voor in de context van de biologische werking van de hersenen, wat suggereert dat het nuttig zou zijn om terug te keren naar sterkere SSN-inspiratie met behulp van biologische neurale systemen. Het doel van het project is om het gedrag op hoog niveau van neurale systemen te analyseren en innovatieve SSN-modellen te bouwen door nieuwe leerparadigma’s en nieuwe computationele modelarchitecturen voor te stellen. (Dutch)
16 December 2021
0 references
Il modello di reti neurali artificiali (SSN) è stato creato sulla base di analogie con le controparti biologiche, come il modello semplificato del neurone o il sistema dei neuroni retinici dell'occhio. A causa della crescente complessità e dei problemi di sviluppo efficaci metodi di apprendimento profondo SSN, reti neurali artificiali dominato soluzioni basate su strutture algebriche. Oggi, gli approcci avanzati nell'apprendimento automatico come il deep learning mostrano una serie di tratti indesiderati, come dimenticare, suscettibilità a esempi fraudolenti, che richiedono un ampio set di formazione e apprendimento lento. Nessuno di questi tratti si verifica nel contesto dell'azione biologica del cervello, il che suggerisce che sarebbe utile tornare all'ispirazione SSN più forte con l'aiuto dei sistemi neurali biologici. L'obiettivo del progetto è analizzare il comportamento di alto livello dei sistemi neurali e costruire modelli SSN innovativi proponendo nuovi paradigmi di apprendimento e nuove architetture di modelli computazionali. (Italian)
16 January 2022
0 references
El modelo de redes neuronales artificiales (SSN) se creó sobre la base de analogías con contrapartes biológicas, como el modelo simplificado de la neurona o el sistema de neuronas retinianas del ojo. Debido a la creciente complejidad y problemas del desarrollo de métodos eficaces de aprendizaje de SSN profundos, las redes neuronales artificiales dominaron soluciones basadas en estructuras algebraicas. Hoy en día, los enfoques avanzados en el aprendizaje automático, como el aprendizaje profundo, muestran una serie de rasgos indeseables, como el olvido, la susceptibilidad a ejemplos fraudulentos, que requieren un gran conjunto de entrenamiento y el aprendizaje lento. Ninguno de estos rasgos ocurren en el contexto de la acción biológica del cerebro, lo que sugiere que sería beneficioso volver a la inspiración más fuerte del SSN con la ayuda de los sistemas neuronales biológicos. El objetivo del proyecto es analizar el comportamiento de alto nivel de los sistemas neuronales y construir modelos innovadores de SSN proponiendo nuevos paradigmas de aprendizaje y nuevas arquitecturas de modelos computacionales. (Spanish)
19 January 2022
0 references
Modellen for kunstige neurale netværk (SSN) blev skabt på grundlag af analogier til biologiske modparter, såsom den forenklede model af neuron eller systemet af retinale neuroner i øjet. På grund af den stigende kompleksitet og problemer med at udvikle effektive dybe SSN læringsmetoder dominerede kunstige neurale netværk løsninger baseret på algebraiske strukturer. I dag viser avancerede tilgange i maskinlæring såsom dyb læring en række uønskede træk, såsom at glemme, modtagelighed for svigagtige eksempler, der kræver et stort træningssæt, og langsom læring. Ingen af disse træk forekommer i forbindelse med den biologiske virkning af hjernen, hvilket tyder på, at det ville være gavnligt at vende tilbage til stærkere SSN inspiration ved hjælp af biologiske neurale systemer. Formålet med projektet er at analysere neurale systemers adfærd på højt niveau og opbygge innovative SSN-modeller ved at foreslå nye læringsparadigmer og nye beregningsmæssige modelarkitekturer. (Danish)
26 July 2022
0 references
Το μοντέλο των τεχνητών νευρωνικών δικτύων (SSN) δημιουργήθηκε με βάση αναλογίες με βιολογικούς ομολόγους, όπως το απλοποιημένο μοντέλο του νευρώνα ή το σύστημα των νευρώνων του αμφιβληστροειδούς του ματιού. Λόγω της αυξανόμενης πολυπλοκότητας και των προβλημάτων της ανάπτυξης αποτελεσματικών μεθόδων βαθιάς μάθησης SSN, τα τεχνητά νευρωνικά δίκτυα κυριάρχησαν σε λύσεις βασισμένες σε αλγεβρικές δομές. Σήμερα, οι προηγμένες προσεγγίσεις στη μηχανική μάθηση, όπως η βαθιά μάθηση, δείχνουν μια σειρά από ανεπιθύμητα χαρακτηριστικά, όπως η λήθη, η ευαισθησία σε δόλια παραδείγματα, που απαιτούν ένα μεγάλο σύνολο κατάρτισης και η αργή μάθηση. Κανένα από αυτά τα χαρακτηριστικά δεν συμβαίνει στο πλαίσιο της βιολογικής δράσης του εγκεφάλου, γεγονός που υποδηλώνει ότι θα ήταν χρήσιμο να επιστρέψουμε σε ισχυρότερη έμπνευση SSN με τη βοήθεια βιολογικών νευρωνικών συστημάτων. Στόχος του έργου είναι η ανάλυση της υψηλού επιπέδου συμπεριφοράς των νευρωνικών συστημάτων και η δημιουργία καινοτόμων μοντέλων SSN προτείνοντας νέα πρότυπα μάθησης και νέες αρχιτεκτονικές υπολογιστικών μοντέλων. (Greek)
26 July 2022
0 references
Model umjetnih neuronskih mreža (SSN) nastao je na temelju analogija biološkim ekvivalentima, kao što je pojednostavljeni model neurona ili sustav mrežnih neurona oka. Zbog sve veće složenosti i problema razvoja učinkovitih metoda učenja dubokog SSN-a, umjetne neuronske mreže dominirale su rješenjima temeljenim na algebarskim strukturama. Danas napredni pristupi strojnom učenju, kao što je duboko učenje, pokazuju niz nepoželjnih osobina, kao što su zaboravljanje, osjetljivost na lažne primjere, zahtijevanje velikog seta obuke i sporo učenje. Nijedna od ovih osobina se ne pojavljuje u kontekstu biološkog djelovanja mozga, što sugerira da bi bilo korisno vratiti se jačim SSN inspiracijama uz pomoć bioloških neuronskih sustava. Cilj projekta je analizirati ponašanje neuronskih sustava na visokoj razini i izgraditi inovativne SSN modele predlaganjem novih paradigmi učenja i novih računalnih modela arhitekture. (Croatian)
26 July 2022
0 references
Modelul rețelelor neuronale artificiale (SSN) a fost creat pe baza analogiilor cu omologii biologici, cum ar fi modelul simplificat al neuronului sau sistemul neuronilor retinei ai ochiului. Datorită complexității crescânde și problemelor de dezvoltare a metodelor eficiente de învățare profundă SSN, rețelele neuronale artificiale au dominat soluții bazate pe structuri algebrice. Astăzi, abordările avansate în învățarea automată, cum ar fi învățarea profundă, arată o serie de trăsături nedorite, cum ar fi uitarea, susceptibilitatea la exemple frauduloase, care necesită un set mare de formare și învățarea lentă. Niciuna dintre aceste trăsături nu apare în contextul acțiunii biologice a creierului, ceea ce sugerează că ar fi benefic să revenim la o inspirație mai puternică SSN cu ajutorul sistemelor neuronale biologice. Scopul proiectului este de a analiza comportamentul la nivel înalt al sistemelor neuronale și de a construi modele inovatoare SSN prin propunerea unor noi paradigme de învățare și a unor noi arhitecturi de model computațional. (Romanian)
26 July 2022
0 references
Model umelých neurónových sietí (SSN) bol vytvorený na základe analógií s biologickými náprotivkami, ako je zjednodušený model neurónu alebo systém sietnicových neurónov oka. Vzhľadom na rastúcu zložitosť a problémy s vývojom efektívnych metód hlbokého učenia sa SSN dominovali riešeniam založeným na algebraických štruktúrach umelé neurónové siete. V súčasnosti pokročilé prístupy v strojovom učení, ako je hlboké učenie, ukazujú množstvo nežiaducich vlastností, ako je zabudnutie, náchylnosť na podvodné príklady, potreba veľkého tréningového súboru a pomalé učenie. Žiadna z týchto vlastností sa nevyskytuje v kontexte biologického pôsobenia mozgu, čo naznačuje, že by bolo prospešné vrátiť sa k silnejšej inšpirácii SSN pomocou biologických neurálnych systémov. Cieľom projektu je analyzovať správanie neurónových systémov na vysokej úrovni a budovať inovatívne modely SSN navrhnutím nových vzdelávacích paradigm a nových výpočtových modelov. (Slovak)
26 July 2022
0 references
Il-mudell ta’ netwerks newrali artifiċjali (SSN) inħoloq fuq il-bażi ta’ analoġiji ma’ kontropartijiet bijoloġiċi, bħall-mudell simplifikat tan-newron jew is-sistema ta’ newroni retinali tal-għajn. Minħabba ż-żieda fil-kumplessità u l-problemi tal-iżvilupp ta’ metodi effettivi ta’ tagħlim deep SSN, in-netwerks newrali artifiċjali ddominaw soluzzjonijiet ibbażati fuq strutturi alġebrin. Illum, l-approċċi avvanzati fit-tagħlim awtomatiku bħat-tagħlim fil-fond juru għadd ta’ karatteristiċi mhux mixtieqa, bħal li jintesew, is-suxxettibilità għal eżempji frodulenti, li jeħtieġu sett kbir ta’ taħriġ, u tagħlim bil-mod. L-ebda waħda minn dawn il-karatteristiċi ma sseħħ fil-kuntest tal-azzjoni bijoloġika tal-moħħ, li tissuġġerixxi li jkun ta’ benefiċċju li wieħed jirritorna għal ispirazzjoni ta’ SSN aktar b’saħħitha bl-għajnuna ta’ sistemi newrali bijoloġiċi. L-għan tal-proġett huwa li janalizza l-imġiba ta’ livell għoli ta’ sistemi newrali u jibni mudelli ta’ SSN innovattivi billi jipproponi mudelli ġodda ta’ tagħlim u arkitetturi ġodda tal-mudell komputazzjonali. (Maltese)
26 July 2022
0 references
O modelo de redes neurais artificiais (SSN) foi criado com base em analogias com contrapartes biológicas, como o modelo simplificado do neurônio ou o sistema de neurônios da retina do olho. Devido à crescente complexidade e problemas de desenvolvimento de métodos de aprendizagem SSN profundos eficazes, as redes neurais artificiais dominaram soluções baseadas em estruturas algébricas. Hoje em dia, abordagens avançadas no aprendizado de máquina, como a aprendizagem profunda, mostram uma série de traços indesejáveis, como o esquecimento, a suscetibilidade a exemplos fraudulentos, a necessidade de um grande conjunto de treinamento e a aprendizagem lenta. Nenhum desses traços ocorre no contexto da ação biológica do cérebro, o que sugere que seria benéfico retornar à inspiração mais forte do SSN com a ajuda de sistemas neurais biológicos. O objetivo do projeto é analisar o comportamento de alto nível dos sistemas neurais e construir modelos inovadores de SSN, propondo novos paradigmas de aprendizagem e novas arquiteturas de modelos computacionais. (Portuguese)
26 July 2022
0 references
Keinotekoisten hermoverkkojen malli (SSN) luotiin biologisten vastineiden, kuten neuronin yksinkertaistetun mallin tai silmän verkkokalvon neuronien järjestelmän perusteella. Koska yhä monimutkaisuus ja ongelmat kehittää tehokkaita syvä SSN oppimismenetelmiä, keinotekoiset hermoverkot hallitsevat ratkaisuja, jotka perustuvat algebrallisiin rakenteisiin. Koneoppimisen kehittyneet lähestymistavat, kuten syväoppiminen, osoittavat useita ei-toivottuja piirteitä, kuten unohtamista, alttiutta vilpillisille esimerkeille, jotka vaativat suurta koulutusjoukkoa ja hidasta oppimista. Mitään näistä ominaisuuksista ei esiinny aivojen biologisen toiminnan yhteydessä, mikä viittaa siihen, että olisi hyödyllistä palata voimakkaampaan SSN-inspiraatioon biologisten hermojärjestelmien avulla. Hankkeen tavoitteena on analysoida hermojärjestelmien korkeatasoista käyttäytymistä ja rakentaa innovatiivisia SSN-malleja ehdottamalla uusia oppimisparadigmoja ja uusia laskennallisia malliarkkitehtuureja. (Finnish)
26 July 2022
0 references
Model umetnih nevronskih mrež (SSN) je bil ustvarjen na podlagi analogij biološkim kolegom, kot je poenostavljen model nevrona ali sistem mrežnih nevronov očesa. Zaradi vse večje kompleksnosti in težav pri razvoju učinkovitih metod globokega učenja SSN so umetne nevronske mreže prevladovale rešitve, ki temeljijo na algebrskih strukturah. Danes napredni pristopi v strojnem učenju, kot je globoko učenje, kažejo številne neželene lastnosti, kot so pozabljanje, dovzetnost za goljufive primere, ki zahtevajo velik nabor usposabljanja in počasno učenje. Nobena od teh lastnosti se ne pojavi v kontekstu biološkega delovanja možganov, kar kaže, da bi bilo koristno, če bi se vrnili k močnejšemu navdihu SSN s pomočjo bioloških nevronskih sistemov. Cilj projekta je analizirati vedenje nevronskih sistemov na visoki ravni in zgraditi inovativne modele SSN s predlaganjem novih učnih paradigm in novih računalniških modelskih arhitektur. (Slovenian)
26 July 2022
0 references
Model umělé neuronové sítě (SSN) byl vytvořen na základě analogií k biologickým protějškům, jako je zjednodušený model neuronu nebo systém sítnicových neuronů oka. Vzhledem k rostoucí složitosti a problémům vývoje efektivních metod hlubokého učení SSN dominovaly umělé neuronové sítě řešením založeným na algebraických strukturách. Dnes pokročilé přístupy ve strojovém učení, jako je hluboké učení, vykazují řadu nežádoucích rysů, jako je zapomínání, náchylnost k podvodným příkladům, vyžadující velkou tréninkovou sadu a pomalé učení. Žádný z těchto rysů se nevyskytuje v kontextu biologického působení mozku, což naznačuje, že by bylo prospěšné vrátit se k silnější inspiraci SSN s pomocí biologických nervových systémů. Cílem projektu je analyzovat chování neuronových systémů na vysoké úrovni a vybudovat inovativní modely SSN navržením nových učebních paradigmat a nových výpočetních modelových architektur. (Czech)
26 July 2022
0 references
Dirbtinių neuronų tinklų (SSN) modelis buvo sukurtas remiantis analogijomis su biologiniais kolegomis, tokiais kaip supaprastintas neurono modelis arba akies tinklainės neuronų sistema. Dėl didėjančio sudėtingumo ir problemų kuriant efektyvius giliojo SSN mokymosi metodus, dirbtiniai neuroniniai tinklai dominavo algebrinėmis struktūromis pagrįstuose sprendimuose. Šiandien pažangūs mašinų mokymosi metodai, tokie kaip gilus mokymasis, rodo daugybę nepageidaujamų bruožų, tokių kaip užmiršimas, jautrumas apgaulingiems pavyzdžiams, reikalaujantis didelio mokymo rinkinio ir lėtas mokymasis. Nė vienas iš šių bruožų nėra smegenų biologinio veikimo kontekste, o tai rodo, kad būtų naudinga grįžti prie stipresnio SSN įkvėpimo naudojant biologines neuronines sistemas. Projekto tikslas – analizuoti neuroninių sistemų aukšto lygio elgesį ir kurti novatoriškus SSN modelius, siūlant naujas mokymosi paradigmas ir naujas skaičiavimo modelių architektūras. (Lithuanian)
26 July 2022
0 references
Mākslīgo neironu tīklu (SSN) modelis tika izveidots, pamatojoties uz bioloģiskajiem kolēģiem, piemēram, vienkāršotu neironu modeli vai acs tīklenes neironu sistēmu. Sakarā ar pieaugošo sarežģītību un problēmām, izstrādājot efektīvas dziļās SSN mācīšanās metodes, mākslīgie neironu tīkli dominēja risinājumos, kas balstīti uz algebriskām struktūrām. Šodien progresīvas pieejas mašīnmācīšanās jomā, piemēram, dziļa mācīšanās, liecina par vairākām nevēlamām iezīmēm, piemēram, aizmiršanu, uzņēmību pret krāpnieciskiem piemēriem, kam nepieciešams liels apmācības komplekts, un lēnu mācīšanos. Neviena no šīm iezīmēm nenotiek smadzeņu bioloģiskās darbības kontekstā, kas liecina, ka būtu lietderīgi atgriezties pie spēcīgākas SSN iedvesmas ar bioloģisko neironu sistēmu palīdzību. Projekta mērķis ir analizēt neironu sistēmu augsta līmeņa uzvedību un veidot inovatīvus SSN modeļus, piedāvājot jaunas mācīšanās paradigmas un jaunas skaitļošanas modeļu arhitektūras. (Latvian)
26 July 2022
0 references
Моделът на изкуствени невронни мрежи (SSN) е създаден въз основа на аналогии с биологични колеги, като опростен модел на неврона или системата на ретината неврони на окото. Поради нарастващата сложност и проблеми на разработването на ефективни методи за учене в дълбочина, изкуствени невронни мрежи доминират решения, базирани на алгебрични структури. Днес усъвършенстваните подходи в машинното обучение, като например дълбокото обучение, показват редица нежелани черти, като забравяне, податливост към измамни примери, изискващи голям набор от обучения и бавно учене. Нито една от тези черти не се среща в контекста на биологичното действие на мозъка, което предполага, че би било полезно да се върнем към по-силно SSN вдъхновение с помощта на биологични невронни системи. Целта на проекта е да се анализира поведението на невронните системи на високо ниво и да се изградят иновативни SSN модели, като се предложат нови парадигми за обучение и нови изчислителни модели. (Bulgarian)
26 July 2022
0 references
A mesterséges neurális hálózatok (SSN) modellje a biológiai megfelelőkkel való analógiák alapján jött létre, mint például a neuron egyszerűsített modellje vagy a szem retina neuronjainak rendszere. A hatékony mély SSN tanulási módszerek növekvő komplexitása és problémái miatt a mesterséges neurális hálózatok uralták az algebrai struktúrákon alapuló megoldásokat. Ma a gépi tanulás fejlett megközelítései, mint például a mélytanulás számos nemkívánatos tulajdonságot mutatnak, például a felejtést, a csalárd példákkal szembeni fogékonyságot, nagy képzést igénylő és lassú tanulást. Ezek egyike sem fordul elő az agy biológiai hatásának kontextusában, ami azt sugallja, hogy hasznos lenne visszatérni az erősebb SSN inspirációhoz a biológiai neurális rendszerek segítségével. A projekt célja a neurális rendszerek magas szintű viselkedésének elemzése és innovatív SSN modellek kialakítása új tanulási paradigmák és új számítási modell architektúrák javaslatával. (Hungarian)
26 July 2022
0 references
Cruthaíodh samhail na líonraí néaracha saorga (SSN) ar bhonn na n-analógachtaí le contrapháirtithe bitheolaíocha, amhail samhail shimplithe an néaróin nó córas néarón reitineach na súl. Mar gheall ar an gcastacht mhéadaitheach agus na fadhbanna a bhaineann le modhanna éifeachtacha domhain foghlama SSN a fhorbairt, bhí líonraí néaracha saorga i gceannas ar réitigh bunaithe ar struchtúir ailgéabracha. Sa lá atá inniu ann, léiríonn cur chuige ardfhorbartha sa mheaisínfhoghlaim amhail an domhainfhoghlaim roinnt tréithe neamh-inmhianaithe, amhail dearmad a dhéanamh, soghabháltacht i leith samplaí calaoiseacha, a éilíonn tacar oiliúna mór agus foghlaim mhall. Ní tharlaíonn aon cheann de na tréithe seo i gcomhthéacs ghníomhaíocht bhitheolaíoch na hinchinne, rud a thugann le fios go mbeadh sé tairbheach filleadh ar inspioráid níos láidre SSN le cabhair ó chórais néaracha bitheolaíocha. Is é aidhm an tionscadail anailís a dhéanamh ar iompar ardleibhéil na gcóras néarach agus samhlacha nuálacha SSN a thógáil trí pharaidímí foghlama nua agus ailtireachtaí samhail ríomhaireachtúil nua a mholadh. (Irish)
26 July 2022
0 references
Modellen av artificiella neurala nätverk (SSN) skapades på grundval av analogier till biologiska motsvarigheter, såsom den förenklade modellen av neuron eller systemet av näthinnan neuroner i ögat. På grund av den ökande komplexiteten och problemen med att utveckla effektiva djupa SSN-inlärningsmetoder dominerade artificiella neurala nätverk lösningar baserade på algebraiska strukturer. Idag visar avancerade metoder inom maskininlärning som djupinlärning ett antal oönskade egenskaper, såsom att glömma, mottaglighet för bedrägliga exempel, som kräver en stor träningsuppsättning och långsamt lärande. Inget av dessa egenskaper förekommer i samband med hjärnans biologiska verkan, vilket tyder på att det skulle vara fördelaktigt att återgå till starkare SSN-inspiration med hjälp av biologiska neurala system. Syftet med projektet är att analysera neurala systems beteende på hög nivå och bygga innovativa SSN-modeller genom att föreslå nya inlärningsparadigmer och nya beräkningsmodellarkitekturer. (Swedish)
26 July 2022
0 references
Tehisnärvivõrkude (SSN) mudel loodi bioloogiliste analoogide analoogide põhjal, näiteks neuroni lihtsustatud mudel või silma võrkkesta neuronite süsteem. Tänu kasvavale keerukusele ja probleemidele tõhusate sügavate SSN-i õppemeetodite arendamisel domineerisid tehisnärvivõrgud algebraliste struktuuride põhjal lahendustes. Tänapäeval näitavad täiustatud lähenemisviisid masinõppes, nagu süvaõpe, mitmeid soovimatuid omadusi, nagu unustamine, vastuvõtlikkus petturlikele näidetele, mis nõuavad suurt koolitust ja aeglane õppimine. Ükski neist tunnustest ei esine aju bioloogilise toime kontekstis, mis viitab sellele, et bioloogiliste närvisüsteemide abil oleks kasulik naasta tugevama SSN-i inspiratsiooni juurde. Projekti eesmärk on analüüsida närvisüsteemide kõrgetasemelist käitumist ja luua uuenduslikke SSN-mudeleid, pakkudes välja uusi õppeparadigmasid ja uusi arvutuslikke mudelarhitektuure. (Estonian)
26 July 2022
0 references
Cały Kraj
0 references
6 July 2023
0 references
Identifiers
POIR.04.04.00-00-14DE/18
0 references