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
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
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)
30 November 2021
0 references
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)
7 December 2021
0 references
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)
16 December 2021
0 references
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)
16 January 2022
0 references
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)
19 January 2022
0 references
Identifiers
POIR.04.04.00-00-14DE/18
0 references