ترجمه فارسی مقاله TACOS: یادگیری مستمر آگنوستیک در شبکه های عصبی Spiking

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی TACOS: Task Agnostic Continual Learning in Spiking Neural Networks
عنوان مقاله به فارسی TACOS: یادگیری مستمر آگنوستیک در شبکه های عصبی Spiking
نویسندگان Nicholas Soures, Peter Helfer, Anurag Daram, Tej Pandit, Dhireesha Kudithipudi
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Neural and Evolutionary Computing,Artificial Intelligence,Machine Learning,محاسبات عصبی و تکاملی , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 16 August, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده 16 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Catastrophic interference, the loss of previously learned information when learning new information, remains a major challenge in machine learning. Since living organisms do not seem to suffer from this problem, researchers have taken inspiration from biology to improve memory retention in artificial intelligence systems. However, previous attempts to use bio-inspired mechanisms have typically resulted in systems that rely on task boundary information during training and/or explicit task identification during inference, information that is not available in real-world scenarios. Here, we show that neuro-inspired mechanisms such as synaptic consolidation and metaplasticity can mitigate catastrophic interference in a spiking neural network, using only synapse-local information, with no need for task awareness, and with a fixed memory size that does not need to be increased when training on new tasks. Our model, TACOS, combines neuromodulation with complex synaptic dynamics to enable new learning while protecting previous information. We evaluate TACOS on sequential image recognition tasks and demonstrate its effectiveness in reducing catastrophic interference. Our results show that TACOS outperforms existing regularization techniques in domain-incremental learning scenarios. We also report the results of an ablation study to elucidate the contribution of each neuro-inspired mechanism separately.

چکیده به فارسی (ترجمه ماشینی)

تداخل فاجعه بار ، از دست دادن اطلاعات قبلاً آموخته شده هنگام یادگیری اطلاعات جدید ، همچنان یک چالش اساسی در یادگیری ماشین است.از آنجا که به نظر نمی رسد موجودات زنده از این مشکل رنج می برند ، محققان از زیست شناسی الهام گرفته اند تا حفظ حافظه در سیستم های هوش مصنوعی را بهبود بخشند.با این حال ، تلاش های قبلی برای استفاده از مکانیسم های الهام گرفته از زیستی به طور معمول منجر به سیستم هایی شده است که در طول آموزش و/یا شناسایی کار صریح در هنگام استنتاج ، به اطلاعات مرزی کار متکی هستند ، اطلاعاتی که در سناریوهای دنیای واقعی در دسترس نیست.در اینجا ، ما نشان می دهیم که مکانیسم های الهام گرفته از عصب مانند ادغام سیناپسی و متاپلاستیک می توانند تداخل فاجعه بار در یک شبکه عصبی سنبله را کاهش دهند ، با استفاده از فقط اطلاعات محلی سیناپس ، بدون نیاز به آگاهی از کار و با اندازه حافظه ثابت که نیازی به آن نداردهنگام آموزش در کارهای جدید افزایش یابد.مدل ما ، Tacos ، نوروودولاسیون را با دینامیک سیناپسی پیچیده ترکیب می کند تا هنگام محافظت از اطلاعات قبلی ، یادگیری جدید را فعال کند.ما TACO ها را در وظایف تشخیص تصویر متوالی ارزیابی می کنیم و اثربخشی آن در کاهش تداخل فاجعه بار را نشان می دهیم.نتایج ما نشان می دهد که TACOS از تکنیک های منظم سازی موجود در سناریوهای یادگیری دامنه-پیشرفته بهتر عمل می کند.ما همچنین نتایج یک مطالعه فرسایش را برای روشن شدن سهم هر مکانیسم عصبی الهام گرفته به طور جداگانه گزارش می کنیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.