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
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
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
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)
26 July 2022
0 references
Identifiers
POIR.04.04.00-00-14DE/18
0 references