Biologically inspired artificial neural networks (Q84145): Difference between revisions

From EU Knowledge Graph
Jump to navigation Jump to search
(‎Changed an Item: Import item from Poland)
(‎Added qualifier: readability score (P590521): 0.31469295541127)
 
(6 intermediate revisions by 2 users not shown)
label / frlabel / fr
Réseaux neuronaux artificiels d’inspiration biologique
Réseaux neuronaux artificiels inspirés biologiquement
label / delabel / de
Biologisch inspirierte künstliche neuronale Netzwerke
Künstliche neuronale Netze biologisch inspiriert
label / nllabel / nl
Biologisch geïnspireerde kunstmatige neurale netwerken
Kunstmatige neurale netwerken Biologisch geïnspireerd
label / itlabel / it
Reti neurali artificiali di ispirazione biologica
Reti neurali artificiali ispirate biologicamente
label / dalabel / da
Biologisk inspirerede kunstige neurale netværk
Kunstige neurale netværk biologisk inspireret
label / ellabel / el
Βιολογικά εμπνευσμένα τεχνητά νευρωνικά δίκτυα
Τεχνητά νευρωνικά δίκτυα βιολογικά εμπνευσμένα
label / hrlabel / hr
Biološki nadahnute umjetne neuronske mreže
Umjetne neuronske mreže biološki inspirirane
label / rolabel / ro
Rețele neuronale artificiale inspirate biologic
Rețele neuronale artificiale inspirate din punct de vedere biologic
label / sklabel / sk
Biologicky inšpirované umelé neurónové siete
Umelé neurálne siete biologicky inšpirované
label / mtlabel / mt
Netwerks newrali artifiċjali ispirati bijoloġikament
Netwerks Neurali Artifiċjali Ispirati bijoloġikament
label / ptlabel / pt
Redes neurais artificiais de inspiração biológica
Redes neurais artificiais inspiradas biologicamente
label / filabel / fi
Biologisesti inspiroidut keinotekoiset hermoverkot
Keinotekoiset neuroverkot Biologisesti innoittamana
label / sllabel / sl
Biološko navdihnjene umetne nevronske mreže
Umetna nevronska omrežja biološko navdihnjena
label / cslabel / cs
Biologicky inspirované umělé nervové sítě
Umělé neuronové sítě biologicky inspirované
label / ltlabel / lt
Biologiškai įkvėpti dirbtiniai neuroniniai tinklai
Dirbtiniai neuroniniai tinklai biologiškai įkvėpti
label / lvlabel / lv
Bioloģiski iedvesmoti mākslīgi neironu tīkli
Mākslīgie neironu tīkli bioloģiski iedvesmoti
label / bglabel / bg
Биологично вдъхновени изкуствени невронни мрежи
Изкуствени невронни мрежи, биологично вдъхновени
label / hulabel / hu
Biológiailag inspirált mesterséges neurális hálózatok
Mesterséges neurális hálózatok biológiailag inspirált
label / galabel / ga
Líonraí néaracha saorga atá spreagtha go bitheolaíoch
Líonraí néaracha Saorga a Spreagtar go Bitheolaíoch
label / svlabel / sv
Biologiskt inspirerade artificiella neurala nätverk
Artificiella neurala nätverk biologiskt inspirerade
label / etlabel / et
Bioloogiliselt inspireeritud tehisnärvivõrgud
Tehisnärvivõrgud on bioloogiliselt inspireeritud
Property / end time
31 August 2023
Timestamp+2023-08-31T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
 
Property / end time: 31 August 2023 / rank
Normal rank
 
Property / summary: 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) / qualifier
 
readability score: 0.31469295541127
Amount0.31469295541127
Unit1
Property / summaryProperty / summary
Le modèle des réseaux neuronaux artificiels (SSN) était basé sur des analogies avec des contreparties biologiques, comme un modèle simplifié du neurone ou le système des neurones de la rétine de l’œil. En raison de la complexité croissante et des difficultés à développer des méthodes d’apprentissage SSN profondes efficaces, les réseaux neuronaux artificiels ont dominé des solutions basées sur des structures algébriques. Actuellement, les approches avancées d’apprentissage automatique telles que l’apprentissage profond présentent un certain nombre de caractéristiques indésirables telles que l’oubli, la susceptibilité à des exemples frauduleux, nécessitant un large éventail de formations et un apprentissage lent. Aucune de ces caractéristiques n’existe dans le contexte de l’activité biologique du cerveau, ce qui suggère qu’il serait bénéfique de revenir à une inspiration plus forte du SSN par le biais des 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 pour les modèles de calcul (French)
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)
Property / summaryProperty / summary
Das Modell der künstlichen neuronalen Netzwerke (SSNs) basierte auf Analogien zu biologischen Gegenstücken, wie z. B. einem vereinfachten Neuronmodell oder dem System der Neuronen der Netzhaut des Auges. Aufgrund der zunehmenden Komplexität und Schwierigkeiten bei der Entwicklung wirksamer vertiefter SSN-Lernmethoden dominierten künstliche neuronale Netzwerke Lösungen basierend auf algebraischen Strukturen. Derzeit fortgeschrittene maschinelle Lernansätze wie Deep Learning zeigen eine Reihe unerwünschter Merkmale wie Vergessen, Anfälligkeit für betrügerische Beispiele, die eine große Anzahl von Schulungen und langsames Lernen erfordern. Keines dieser Merkmale gibt es im Kontext der biologischen Aktivität des Gehirns, was darauf hindeutet, dass es von Vorteil wäre, durch biologische neuronale Systeme zu einer stärkeren SSN-Inspiration zurückzukehren. Ziel des Projekts ist es, hochgradiges Verhalten neuronaler Systeme zu analysieren und innovative SSN-Modelle zu entwickeln, indem neue Lernparadigmen und neue Architekturen für Computermodelle vorgeschlagen werden. (German)
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)
Property / summaryProperty / summary
Het model van kunstmatige neurale netwerken (SSNs) was gebaseerd op analogieën met biologische tegenhangers, zoals een vereenvoudigd model van het neuron of het systeem van neuronen van het netvlies van het oog. Vanwege de toenemende complexiteit en moeilijkheden bij het ontwikkelen van effectieve diepe SSN-leermethoden, domineerden kunstmatige neurale netwerken oplossingen op basis van algebraïsche structuren. Op dit moment vertonen geavanceerde machine learning benaderingen zoals deep learning een aantal ongewenste kenmerken, zoals vergeten, gevoeligheid voor frauduleuze voorbeelden, waarvoor een groot aantal trainingen en langzaam leren vereist zijn. Geen van deze kenmerken bestaan ​​in de context van hersenbiologische activiteit, wat suggereert dat het nuttig zou zijn om terug te keren naar sterkere SSN-inspiratie door biologische neuronale systemen. Het doel van het project is het analyseren van gedrag op hoog niveau van neuronale systemen en het bouwen van innovatieve SSN-modellen door nieuwe leerparadigma’s en nieuwe architecturen voor computationele modellen voor te stellen (Dutch)
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)
Property / summaryProperty / summary
Il modello di reti neurali artificiali (SSNs) si basava su analogie con le controparti biologiche, come un modello semplificato del neurone o del sistema di neuroni della retina dell'occhio. A causa della crescente complessità e difficoltà nello sviluppo di efficaci metodi di apprendimento profondo SSN, le reti neurali artificiali dominavano soluzioni basate su strutture algebriche. Attualmente approcci avanzati di apprendimento automatico, come l'apprendimento profondo, presentano una serie di caratteristiche indesiderabili, come la dimenticanza, la suscettibilità ad esempi fraudolenti, che richiedono una vasta gamma di formazione e apprendimento lento. Nessuna di queste caratteristiche esiste nel contesto dell'attività biologica del cervello, suggerendo che sarebbe utile tornare a più forte ispirazione SSN attraverso i sistemi neuronali biologici. L'obiettivo del progetto è analizzare il comportamento di alto livello dei sistemi neuronali e costruire modelli SSN innovativi proponendo nuovi paradigmi di apprendimento e nuove architetture per modelli computazionali (Italian)
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)
Property / summaryProperty / summary
El modelo de redes neuronales artificiales (SSNs) se basó en analogías con contrapartes biológicas, tales como un modelo simplificado de la neurona o el sistema de neuronas de la retina del ojo. Debido a la creciente complejidad y dificultades para desarrollar métodos eficaces de aprendizaje profundo del SSN, las redes neuronales artificiales dominaron soluciones basadas en estructuras algebraicas. En la actualidad, los enfoques avanzados de aprendizaje automático, como el aprendizaje profundo, presentan una serie de características indeseables, como el olvido, la susceptibilidad a los ejemplos fraudulentos, la necesidad de un amplio conjunto de formación y el aprendizaje lento. Ninguna de estas características existe en el contexto de la actividad biológica del cerebro, lo que sugiere que sería beneficioso volver a una inspiración más fuerte de SSN a través de 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 para modelos computacionales. (Spanish)
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)
Property / summaryProperty / summary
Modellen af kunstige neurale net (SSN'er) er baseret på analogier til biologiske modstykker, såsom en forenklet model af neuron og nethinden neuroner. På grund af stigende kompleksitet og problemer med udviklingen af effektive metoder til dyb læring af SSN'er dominerede kunstige neurale netværk løsninger baseret på algebraiske strukturer. I øjeblikket avancerede tilgange inden for maskinlæring såsom dyb læring udviser en række uønskede funktioner såsom at glemme, sårbarhed over for svigagtige eksempler, der kræver et stort træningssæt, og langsom læring. Ingen af disse funktioner forekommer i forbindelse med hjernens biologiske aktivitet, hvilket tyder på, at det ville være gavnligt at vende tilbage til en stærkere inspiration af SSN'er ved hjælp af biologiske neuronale systemer. Formålet med projektet er at analysere neuronale systemers adfærd på højt niveau og at opbygge innovative SSN-modeller ved at foreslå nye læringsparadigmer og nye arkitekturer for computermodeller. (Danish)
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)
Property / summaryProperty / summary
Το μοντέλο των τεχνητών νευρωνικών διχτυών (SSNs) βασίζεται σε αναλογίες των βιολογικών ομολόγων, όπως ένα απλοποιημένο μοντέλο νευρώνων και νευρώνων του αμφιβληστροειδούς. Λόγω της αυξανόμενης πολυπλοκότητας και των προβλημάτων με την ανάπτυξη αποτελεσματικών μεθόδων βαθιάς μάθησης των SSNs, τα τεχνητά νευρωνικά δίκτυα κυριάρχησαν σε λύσεις βασισμένες σε αλγεβρικές δομές. Επί του παρόντος, οι προηγμένες προσεγγίσεις στη μηχανική μάθηση, όπως η βαθιά μάθηση, παρουσιάζουν ορισμένα ανεπιθύμητα χαρακτηριστικά, όπως η λήθη, η τρωτότητα σε δόλια παραδείγματα, η απαίτηση για ένα μεγάλο σύνολο κατάρτισης και η βραδεία μάθηση. Κανένα από αυτά τα χαρακτηριστικά δεν εμφανίζεται στο πλαίσιο της εγκεφαλικής βιολογικής δραστηριότητας, υποδηλώνοντας ότι θα ήταν ωφέλιμο να επιστρέψει σε μια ισχυρότερη έμπνευση των SSNs με τη βοήθεια των βιολογικών νευρωνικών συστημάτων. Στόχος του έργου είναι η ανάλυση της συμπεριφοράς υψηλού επιπέδου των νευρωνικών συστημάτων και η δημιουργία καινοτόμων μοντέλων SSN προτείνοντας νέα μαθησιακά πρότυπα και νέες αρχιτεκτονικές υπολογιστικών μοντέλων (Greek)
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)
Property / summaryProperty / summary
Model umjetnih neuronskih mreža (SSN) temelji se na analogijama biološkim kolegama, kao što je pojednostavljeni model neurona i mrežnice neurona. Zbog sve veće složenosti i problema s razvojem učinkovitih metoda dubokog učenja SSN-ova, umjetne neuronske mreže dominiraju rješenjima temeljenima na algebarskim strukturama. Trenutačno napredni pristupi strojnom učenju, kao što je duboko učenje, pokazuju niz nepoželjnih značajki kao što su zaborav, osjetljivost na primjere prijevare, zahtijevanje velikog skupa osposobljavanja i sporo učenje. Nijedna od tih značajki ne pojavljuje se u kontekstu biološke aktivnosti mozga, što upućuje na to da bi bilo korisno vratiti se jačem nadahnuću SSN-ova 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 arhitektura računalnih modela (Croatian)
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)
Property / summaryProperty / summary
Modelul rețelelor neuronale artificiale (SSN) se bazează pe analogii cu omologii biologici, cum ar fi un model simplificat de neuroni și neuroni retinieni. Din cauza complexității tot mai mari și a problemelor legate de dezvoltarea unor metode eficiente de învățare profundă a SSN-urilor, rețelele neuronale artificiale au dominat soluții bazate pe structuri algebrice. În prezent, abordările avansate în domeniul învățării automate, cum ar fi învățarea profundă, prezintă o serie de caracteristici nedorite, cum ar fi uitarea, vulnerabilitatea la exemple frauduloase, necesitând un set mare de formare și învățarea lentă. Niciuna dintre aceste caracteristici nu apare în contextul activității biologice a creierului, sugerând că ar fi benefic să revenim la o inspirație mai puternică a SSN cu ajutorul sistemelor neuronale biologice. Scopul proiectului este de a analiza comportamentul la nivel înalt al sistemelor neuronale și de a construi modele SSN inovatoare, propunând noi paradigme de învățare și noi arhitecturi ale modelelor de calcul. (Romanian)
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)
Property / summaryProperty / summary
Model umelých neurónových sietí (SSN) je založený na analógii s biologickými náprotivkami, ako je zjednodušený model neurónov a sietnicových neurónov. Vzhľadom na rastúcu zložitosť a problémy s rozvojom účinných metód hĺbkového učenia SSN dominovali riešenia založené na algebraických štruktúrach umelé neurónové siete. V súčasnosti pokročilé prístupy v strojovom učení, ako je hĺbkové učenie, vykazujú niekoľko nežiaducich prvkov, ako je zabudnutie, zraniteľnosť voči podvodným príkladom, potreba veľkého súboru odbornej prípravy a pomalé učenie. Žiadna z týchto vlastností sa nevyskytuje v kontexte mozgovej biologickej aktivity, čo naznačuje, že by bolo prospešné vrátiť sa k silnejšej inšpirácii SSN pomocou biologických neurónových systémov. Cieľom projektu je analyzovať správanie neurónových systémov na vysokej úrovni a budovať inovatívne modely SSN navrhovaním nových vzdelávacích paradigmí a nových architektúr výpočtových modelov. (Slovak)
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)
Property / summaryProperty / summary
Il-mudell ta’ xbieki newrali artifiċjali (SSNs) huwa bbażat fuq analoġiji għal kontropartijiet bijoloġiċi, bħal mudell simplifikat ta’ newroni u newroni retinali. Minħabba l-kumplessità u l-problemi dejjem jiżdiedu bl-iżvilupp ta’ metodi effettivi ta’ tagħlim profond tal-SSNs, in-netwerks newrali artifiċjali ddominaw soluzzjonijiet ibbażati fuq strutturi alġebrajċi. Bħalissa l-approċċi avvanzati fit-tagħlim awtomatiku bħat-tagħlim fil-fond juru għadd ta’ karatteristiċi mhux mixtieqa bħan-nisġa, il-vulnerabbiltà għal eżempji frodulenti, li jeħtieġu sett kbir ta’ taħriġ, u t-tagħlim bil-mod. L-ebda waħda minn dawn il-karatteristiċi ma sseħħ fil-kuntest ta’ attività bijoloġika tal-moħħ, li tissuġġerixxi li jkun ta’ benefiċċju li tirritorna għal ispirazzjoni aktar b’saħħitha tal-SSNs bl-għajnuna ta’ sistemi newronali bijoloġiċi. L-għan tal-proġett huwa li janalizza l-imġiba ta’ livell għoli tas-sistemi newronali u li jibni mudelli SSN innovattivi billi jipproponi mudelli ġodda ta’ tagħlim u arkitetturi ġodda ta’ mudelli komputazzjonali (Maltese)
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)
Property / summaryProperty / summary
O modelo de redes neurais artificiais (SSNs) é ganza em analogias com contrapartes biológicas, como um modelo simplificado de neurônios e neurônios da retina. Devido à crescente complexidade e problemas com o desenvolvimento de métodos eficazes de aprendizagem profunda de SSNs, as redes neurais artificiais dominaram soluções baseadas em estruturas algébricas. Atualmente, as abordagens avançadas no domínio da aprendizagem automática, como a aprendizagem profunda, apresentam uma série de características indesejáveis, como o esquecimento, a vulnerabilidade a exemplos fraudulentos, a necessidade de um grande conjunto de treinos e a aprendizagem lenta. Nenhuma dessas características ocorre no contexto da atividade biológica cerebral, sugerindo que seria benéfico retornar a uma inspiração mais forte dos SSNs com a ajuda de sistemas neuronais biológicos. O objetivo do projeto é analisar o comportamento de alto nível dos sistemas neuronais e construir modelos de SSN inovadores propondo novos paradigmas de aprendizagem e novas arquiteturas de modelos computacionais (Portuguese)
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)
Property / summaryProperty / summary
Keinotekoisten hermoverkkojen (SSN) malli perustuu biologisiin vastineisiin, kuten yksinkertaistettuun neuronien ja verkkokalvon neuronien malliin. Koska monimutkaisuus ja ongelmat kehitettäessä tehokkaita menetelmiä syväoppiminen SSNs, keinotekoinen hermoverkot hallitsevat ratkaisuja perustuu algebrallinen rakenteita. Tällä hetkellä kehittyneitä koneoppimisen lähestymistapoja, kuten syväoppimista, on useita ei-toivottuja piirteitä, kuten unohtaminen, alttius vilpillisille esimerkeille, jotka edellyttävät suurta koulutusjoukkoa, ja hidas oppiminen. Mikään näistä ominaisuuksista ei esiinny aivojen biologisen aktiivisuuden yhteydessä, mikä viittaa siihen, että olisi hyödyllistä palata SSN: n voimakkaampaan inspiraatioon biologisten neuronaalisten järjestelmien avulla. Hankkeen tavoitteena on analysoida neuronaalijärjestelmien korkeatasoista käyttäytymistä ja rakentaa innovatiivisia SSN-malleja ehdottamalla uusia oppimismalleja ja uusia laskentamallien arkkitehtuuria. (Finnish)
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)
Property / summaryProperty / summary
Model umetnih nevronskih mrež (SSN) temelji na analogijah z biološkimi, kot je poenostavljen model nevronov in nevronov mrežnice. Zaradi vse večje kompleksnosti in težav z razvojem učinkovitih metod globokega učenja SSN so umetne nevronske mreže prevladovale rešitve, ki temeljijo na algebrskih strukturah. Trenutno napredni pristopi k strojnemu učenju, kot so globoko učenje, kažejo številne nezaželene značilnosti, kot so pozabljanje, ranljivost za goljufive primere, ki zahtevajo velik nabor usposabljanja, in počasno učenje. Nobena od teh značilnosti se ne pojavi v okviru možganske biološke aktivnosti, kar kaže, da bi bilo koristno, če bi se s pomočjo bioloških nevronskih sistemov vrnili k močnejšemu navdihu SSN. Cilj projekta je analizirati vedenje nevronskih sistemov na visoki ravni in zgraditi inovativne modele SSN s predlaganjem novih učnih paradigm in novih arhitektur računalniških modelov. (Slovenian)
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)
Property / summaryProperty / summary
Model umělých neuronových sítí (SSN) je založen na analogii biologických protějšků, jako je zjednodušený model neuronů a sítnicových neuronů. Vzhledem k rostoucí složitosti a problémům s rozvojem efektivních metod hlubokého učení SSN dominovaly řešení založená na algebraických strukturách umělých neuronových sítí. V současné době pokročilé přístupy v oblasti strojového učení, jako je hluboké učení, vykazují řadu nežádoucích rysů, jako je zapomínání, zranitelnost vůči podvodným příkladům, vyžadující velký tréninkový soubor a pomalé učení. Žádný z těchto rysů se nevyskytuje v kontextu biologické aktivity mozku, což naznačuje, že by bylo prospěšné vrátit se k silnější inspiraci SSN pomocí biologických neuronových systémů. Cílem projektu je analyzovat chování neuronálních systémů na vysoké úrovni a vybudovat inovativní modely SSN navržením nových vzdělávacích paradigmat a nových architektur výpočetních modelů (Czech)
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)
Property / summaryProperty / summary
Dirbtinių nervų tinklų (SSN) modelis yra pagrįstas analogija su biologiniais kolegomis, pvz., Supaprastintu neurono ir tinklainės neuronų modeliu. Dėl didėjančio sudėtingumo ir problemų, susijusių su efektyvių SSN giliojo mokymosi metodų kūrimu, dirbtiniai neuroniniai tinklai dominuoja algebros struktūrų pagrindu. Šiuo metu pažangūs mašininio mokymosi metodai, pvz., gilus mokymasis, pasižymi daugybe nepageidaujamų bruožų, pavyzdžiui, pamiršimas, pažeidžiamumas apgaulingų pavyzdžių atžvilgiu, reikalaujantis didelio mokymo rinkinio ir lėtas mokymasis. Nė vienas iš šių požymių neatsiranda smegenų biologinio aktyvumo kontekste, o tai rodo, kad būtų naudinga grįžti prie stipresnio SSN įkvėpimo biologinių neuronų sistemų pagalba. Projekto tikslas – analizuoti aukšto lygio neuronų sistemų elgseną ir kurti naujoviškus SSN modelius siūlant naujas mokymosi paradigmas ir naujas skaičiavimo modelių architektūras. (Lithuanian)
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)
Property / summaryProperty / summary
Mākslīgo neironu tīklu (SSN) modelis ir balstīts uz bioloģiskajiem kolēģiem, piemēram, vienkāršotu neironu un tīklenes neironu modeli. Sakarā ar pieaugošo sarežģītību un problēmām, kas saistītas ar efektīvu SSN dziļās mācīšanās metožu izstrādi, mākslīgie neironu tīkli dominēja algebrisko struktūru risinājumos. Pašlaik uzlabotas pieejas mašīnmācībā, piemēram, dziļā mācīšanās, uzrāda vairākas nevēlamas iezīmes, piemēram, aizmirstot, neaizsargātību pret krāpnieciskiem piemēriem, kam nepieciešams liels mācību kopums, un lēnu mācīšanos. Neviena no šīm iezīmēm nenotiek smadzeņu bioloģiskās aktivitātes 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, ierosinot jaunas mācīšanās paradigmas un jaunas skaitļošanas modeļu arhitektūras. (Latvian)
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)
Property / summaryProperty / summary
Моделът на изкуствени невронни мрежи (SSNs) се основава на аналогии на биологичните колеги, като например опростен модел на невронни и ретинални неврони. Поради нарастващата сложност и проблеми с разработването на ефективни методи за дълбоко обучение на SSN, изкуствените невронни мрежи доминират решения, базирани на алгебрични структури. Понастоящем усъвършенстваните подходи в машинното самообучение, като например дълбокото учене, показват редица нежелани характеристики, като например забравяне, уязвимост към измамни примери, изискващи голям набор от обучения и бавно учене. Нито една от тези характеристики не се среща в контекста на мозъчната биологична активност, което предполага, че би било полезно да се върнем към по-силно вдъхновение на SSN с помощта на биологични невронни системи. Целта на проекта е да се анализира високото поведение на невронните системи и да се изградят иновативни SSN модели чрез предлагане на нови модели на обучение и нови архитектури на изчислителни модели (Bulgarian)
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)
Property / summaryProperty / summary
A mesterséges neurális hálók (SSN-ek) modellje a biológiai megfelelők analógiáján alapul, mint például a neuron és a retina neuronok egyszerűsített modellje. A növekvő komplexitás és az SSN-ek hatékony tanulási módszereinek fejlesztésével kapcsolatos problémák miatt a mesterséges neurális hálózatok az algebrai struktúrákon alapuló megoldásokat uraltak. Jelenleg a gépi tanulás fejlett megközelítései, például a mélytanulás számos nemkívánatos jellemzővel rendelkeznek, mint például a felejtés, a csalárd példákkal szembeni sebezhetőség, a nagy képzési készletet igénylő és a lassú tanulás. E jellemzők egyike sem fordul elő az agy biológiai aktivitásával összefüggésben, ami arra utal, hogy hasznos lenne visszatérni az SSN-ek erősebb inspirációjához biológiai neuronrendszerek segítségével. A projekt célja a neuronrendszerek magas szintű viselkedésének elemzése és innovatív SSN modellek kialakítása új tanulási paradigmák és számítási modellek új architektúráinak javaslatával (Hungarian)
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)
Property / summaryProperty / summary
Tá samhail na líonta néaracha saorga (SSNanna) bunaithe ar analógachtaí le contrapháirtithe bitheolaíocha, amhail samhail shimplithe de néaróin agus de néaróin reitineacha. Mar gheall ar chastacht mhéadaitheach agus fadhbanna maidir le modhanna éifeachtacha domhainfhoghlama SSNanna a fhorbairt, bhí líonraí néaracha saorga i gceannas ar réitigh bunaithe ar struchtúir ailgéabracha. Faoi láthair, léiríonn cur chuige ardfhorbartha sa mheaisínfhoghlaim, amhail an domhainfhoghlaim, roinnt gnéithe neamh-inmhianaithe amhail dearmad a dhéanamh, leochaileacht i leith samplaí calaoiseacha, lena n-éilítear sraith mhór oiliúna agus foghlaim mhall. Ní tharlaíonn aon cheann de na gnéithe seo i gcomhthéacs gníomhaíochta bitheolaíochta inchinne, ag tabhairt le fios go mbeadh sé tairbheach filleadh ar inspioráid níos láidre de SSNanna le cabhair ó chórais néaróineacha bitheolaíocha. Is é aidhm an tionscadail anailís a dhéanamh ar iompar ardleibhéil na gcóras néarónach agus samhlacha nuálacha SSN a thógáil trí pharaidímí foghlama nua agus ailtireachtaí nua de shamhlacha ríomhaireachta a mholadh (Irish)
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)
Property / summaryProperty / summary
Modellen av artificiella neurala nät (SSNs) är baserad på analogier till biologiska motsvarigheter, såsom en förenklad modell av neuron och näthinneneuroner. På grund av ökande komplexitet och problem med utvecklingen av effektiva metoder för djupinlärning av SSN dominerade artificiella neurala nätverk lösningar baserade på algebraiska strukturer. För närvarande har avancerade metoder inom maskininlärning, såsom djupinlärning, ett antal oönskade egenskaper som att glömma, sårbarhet för bedrägliga exempel, som kräver en stor utbildningsuppsättning, och långsamt lärande. Ingen av dessa egenskaper förekommer i samband med hjärnbiologisk aktivitet, vilket tyder på att det skulle vara fördelaktigt att återgå till en starkare inspiration av SSNs med hjälp av biologiska neuronala system. Syftet med projektet är att analysera beteendet på hög nivå hos neuronala system och att bygga innovativa SSN-modeller genom att föreslå nya inlärningsparadigm och nya arkitekturer för beräkningsmodeller. (Swedish)
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)
Property / summaryProperty / summary
Kunstlike närvivõrkude (SSN) mudel põhineb bioloogiliste analoogide analoogidel, nagu neuronite ja võrkkesta neuronite lihtsustatud mudel. Kasvava keerukuse ja probleemide tõttu arendada tõhusaid meetodeid süvaõppe SSNs, kunstlik närvivõrgud domineerinud lahendusi põhineb algebraline struktuurid. Praegu on masinõppe täiustatud lähenemisviisidel, näiteks süvaõppel, mitmeid soovimatuid tunnuseid, nagu unustamine, haavatavus petturlike näidete suhtes, mis nõuavad suurt koolituskomplekti ja aeglane õppimine. Ükski neist omadustest ei esine aju bioloogilise aktiivsuse kontekstis, mis viitab sellele, et bioloogiliste neuronaalsete süsteemide abil oleks kasulik naasta SSN-ide tugevama inspiratsiooni juurde. Projekti eesmärk on analüüsida neuronaalsete süsteemide kõrgetasemelist käitumist ja luua uuenduslikke SSN-mudeleid, pakkudes välja uusi õppimisparadigmasid ja arvutusmudelite uusi arhitektuure. (Estonian)
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)
Property / contained in Local Administrative Unit
 
Property / contained in Local Administrative Unit: Gdańsk / rank
 
Normal rank
Property / coordinate location
 
54°24'47.23"N, 18°32'5.06"E
Latitude54.4131161
Longitude18.5347373
Precision1.0E-5
Globehttp://www.wikidata.org/entity/Q2
Property / coordinate location: 54°24'47.23"N, 18°32'5.06"E / rank
 
Normal rank
Property / coordinate location: 54°24'47.23"N, 18°32'5.06"E / qualifier
 
Property / contained in NUTS
 
Property / contained in NUTS: Trójmiejski / rank
 
Normal rank
Property / thematic objective
 
Property / thematic objective: Research and innovation / rank
 
Normal rank
Property / end time
 
29 November 2023
Timestamp+2023-11-29T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / end time: 29 November 2023 / rank
 
Normal rank
Property / date of last update
 
6 July 2023
Timestamp+2023-07-06T00:00:00Z
Timezone+00:00
CalendarGregorian
Precision1 day
Before0
After0
Property / date of last update: 6 July 2023 / rank
 
Normal rank

Latest revision as of 11:52, 20 March 2024

Project Q84145 in Poland
Language Label Description Also known as
English
Biologically inspired artificial neural networks
Project Q84145 in Poland

    Statements

    country
    Poland
    0 references
    EU contribution
    19,701,875.0 zloty
    0 references
    4,379,726.81 Euro
    exchange rate to Euro
    0.24 Euro
    point in time
    13 January 2020
    0 references
    budget
    19,701,875.0 zloty
    0 references
    4,379,726.81 Euro
    exchange rate to Euro
    0.24 Euro
    point in time
    13 January 2020
    0 references
    co-financing rate
    100.0 percent
    0 references
    start time
    1 September 2019
    0 references
    end time
    29 November 2023
    0 references
    beneficiary name (string)
    UNIWERSYTET JAGIELLOŃSKI
    0 references
    coordinate location

    54°24'47.23"N, 18°32'5.06"E
    inferred from
    location
    0 references
    summary
    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)
    point in time
    14 October 2020
    readability score
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    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)
    point in time
    26 July 2022
    0 references
    location (string)
    Cały Kraj
    0 references
    date of last update
    6 July 2023
    0 references

    Identifiers

    Polish Kohesio ID
    POIR.04.04.00-00-14DE/18
    0 references
     
    Retrieved from "https://linkedopendata.eu/w/index.php?title=Item:Q84145&oldid=40950874"