Biologically inspired artificial neural networks (Q84145): Difference between revisions
Jump to navigation
Jump to search
(Changed label, description and/or aliases in 1 language: remove_english_label) |
(Changed label, description and/or aliases in 1 language: translated_label) |
||
| label / en | label / en | ||
Biologically inspired artificial neural networks | |||
Revision as of 14:35, 14 October 2020
Project in Poland financed by DG Regio
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | Biologically inspired artificial neural networks |
Project in Poland financed by DG Regio |
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
31 August 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 references
Identifiers
POIR.04.04.00-00-14DE/18
0 references