标签：Multiscale 脉冲 improved Network 编码 DNN 网络 SAN 神经元

郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！

AAAI 2022

Abstract

　　在深度神经网络(DNN)的帮助下，深度强化学习(DRL)在从游戏到机器人控制等许多复杂任务上取得了巨大成功。与具有部分受大脑启发的结构和功能的DNN相比，脉冲神经网络(SNN)考虑了更多的生物学特征，包括具有复杂动力学的脉冲神经元和具有生物学合理的可塑性原则的学习范式。受生物大脑中细胞组装的高效计算的启发，基于记忆的编码比读出复杂得多，我们提出了一种多尺度动态编码改进的脉冲执行者网络(MDC-SAN)，用于强化学习以实现有效的决策。 网络尺度的种群编码与神经元尺度的动态神经元编码（包含二阶神经元动力学）相结合，形成强大的时空状态表示。 广泛的实验结果表明，我们的 MDC-SAN 在 OpenAI 健身房的四个连续控制任务上的表现优于其对应的深度参与者网络（基于 DNN）。我们认为这是从有效编码到有效决策的角度改进 SNN 的重大尝试，就像在生物网络中一样。

标签：Multiscale,脉冲,improved,Network,编码,DNN,网络,SAN,神经元
来源： https://www.cnblogs.com/lucifer1997/p/16135348.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。