机构名称：
¥ 3.0
组件是大量的神经元，其同步射击被假设以代表记忆，概念，单词和其他认知类别。组件被认为可以在高级认知现象和低级神经活动之间提供桥梁。最近，已显示出一种称为组合微积分（AC）的组合系统，其曲目具有生物学上合理的组合操作，可以显示能够模拟任意空间结合的计算，还可以模拟复杂的认知现象，例如语言，推理和计划。但是，组件可以调解学习的机制尚不清楚。在这里我们提出了这样的机制，并严格证明，对于标记组件的分布定义的简单分类问题，可以可靠地形成代表每个类别的新组装，以响应类中的一些刺激。因此，该组件是对同一类的新刺激的响应可靠地召回的。此外，只要相应的类是相似的组件的群集，或者通常可以通过线性阈值函数与边缘分开，则这些类组件将可以区分区分。为了证明这些结果，我们利用具有动态边缘权重的随机图理论来估计激活的顶点的序列，从而在过去五年中对该领域的先前计算和定理产生了强烈的概括。被视为一种学习算法，这种机制完全在线，从很少的样本中概括，并且只需要温和的监督 - 在大脑模型中学习的所有关键属性。这些定理是通过实验来支持的，这些实验证明了组件的成功形成，这些组件代表了从此类分布中绘制的合成数据以及MNIST上的概念类别，这也可以通过一个AS-emerbly每位数字来分类。我们认为，从现实世界数据中提取属性（例如边缘或音素）的单独感觉预处理机制支持的这种学习机制可以是皮质中生物学学习的基础。关键字：关键字列表
神经元的组件学会分类分布
主要关键词
相关文件推荐
