From the perspective of self-organi

From the perspective of self-organization [6, 7, 8, 9], it is interesting to study how Hebbian, self-limiting synaptic plasticity rules can emerge from a set of gov- erning principles, in terms of objective functions. Information theoretical mea- sures such as the entropy of the output firing rate distribution have been used in the past to generate rules for either intrinsic or synaptic plasticity [10, 11, 12]. The objective function with which we work here can be motivated from the Fisher information, which measures the sensitivity of a certain probability dis- tribution to a parameter, in this case defined with respect to the Synaptic Flux operator [13], which measures the overall increase of synaptic weights. Minimiz- ing the Fisher information corresponds, in this context, to looking for a steady state solution where the output probability distribution is insensitive to local changes in the synaptic weights. This method, then constitutes an implementa- tion of the stationarity principle, stating that once the features of a stationary input distribution have been acquired, learning should stop, avoiding runaway growth of the synaptic weights.

ผลลัพธ์ (ไทย) 1:

จากมุมมองขององค์กรตนเอง [6, 7, 8, 9], เป็นที่น่าสนใจศึกษาวิธี Hebbian กฎ synaptic plasticity จำกัดตนเองสามารถเกิดขึ้นจากชุดของ gov erning หลัก ในรูปแบบของฟังก์ชันวัตถุประสงค์ ข้อมูลทฤษฎี mea-sures เช่นเอนโทรปีของยิงกระจายอัตราผลผลิตมีการใช้ในอดีตเพื่อสร้างกฎใน intrinsic หรือ synaptic plasticity [10, 11, 12] ฟังก์ชันวัตถุประสงค์ที่เราทำงานที่นี่ได้แรงบันดาลใจจาก Fisher ที่วัดความไวของความบางน่าเป็นโรค-tribution กับพารามิเตอร์ กำหนดในกรณีนี้ กับตัวไหล Synaptic [13], ซึ่งมาตรการเพิ่ม synaptic น้ำหนักโดยรวม Minimiz-บริษัท Fisher ข้อมูลตรง ในบริบทนี้ เพื่อหาโซลูชันท่อนตายด้านการเปลี่ยนแปลงภายในน้ำหนัก synaptic การแจกแจงความน่าเป็นผล วิธีการนี้ แล้วถือเป็น implementa-สเตรชันหลัก stationarity ระบุว่า เมื่อได้รับมาในคุณลักษณะของการกระจายสัญญาณเครื่องเขียน เรียนรู้ควรหยุด หลีกเลี่ยงการเจริญเติบโตแพร่กระจายของน้ำหนัก synaptic

ผลลัพธ์ (ไทย) 2:

จากมุมมองขององค์กรด้วยตนเอง [6, 7, 8, 9] มันน่าสนใจที่จะศึกษาวิธี Hebbian จำกัด ตัวเองกฎ synaptic ปั้นสามารถโผล่ออกมาจากชุดของหลักการ Erning สัดส่วนในแง่ของฟังก์ชั่นวัตถุประสงค์ ข้อมูลยังคงใช้มาตรการเด็ดขาดทฤษฎีเช่นเอนโทรปีของการกระจายอัตราการยิงที่ส่งออกมีการใช้ในอดีตที่ผ่านมาในการสร้างกฎระเบียบสำหรับการอย่างใดอย่างหนึ่งที่แท้จริงหรือปั้น synaptic [10, 11, 12] ฟังก์ชันวัตถุประสงค์ที่เราสามารถทำงานที่นี่ได้รับการกระตุ้นจากข้อมูลที่ฟิชเชอร์ซึ่งมาตรการความไวของความน่าจะเป็นบาง tribution ปรากฏพารามิเตอร์ในกรณีนี้ที่กำหนดไว้เกี่ยวกับการประกอบการ Synaptic ฟลักซ์ [13] ซึ่งมาตรการโดยรวม การเพิ่มขึ้นของน้ำหนัก synaptic ไอเอ็นจี Minimiz- ข้อมูลสอดคล้องฟิชเชอร์ในบริบทนี้จะมองหาวิธีการแก้ปัญหาความมั่นคงของรัฐที่กระจายออกเป็นความรู้สึกที่เปลี่ยนแปลงในท้องถิ่นน้ำหนัก synaptic วิธีการนี​​้แล้วถือว่าการการนำหลักการ stationarity ที่ระบุว่าเมื่อคุณสมบัติของการกระจายการป้อนข้อมูลนิ่งได้มาเรียนรู้ควรหยุดการเจริญเติบโตของการหลีกเลี่ยงการหลบหนีของน้ำหนัก synaptic

ผลลัพธ์ (ไทย) 3:

จากมุมมองของการจัดการตนเอง [ 6 , 7 , 8 , 9 ] มันเป็นที่น่าสนใจที่จะศึกษาว่า hebbian ตนเอง จำกัด กฎสามารถโผล่ออกมาจาก synaptic ปั้นชุด 14 - erning หลักการ ในแง่ของฟังก์ชันวัตถุประสงค์ข้อมูลทางทฤษฎี กฟน. - อีกครั้งเช่นเอนโทรปีของผลผลิต อัตราการกระจายสินค้าได้ถูกใช้ในอดีตเพื่อสร้างกฎเพื่อให้อยู่ภายในหรือ synaptic ปั้น [ 10 , 11 , 12 ) มีฟังก์ชันที่เราทำงานที่นี่ได้แรงบันดาลใจจากข้อมูลที่ ฟิชเชอร์ ซึ่งวัดความไวของความน่าจะเป็นจากบาง tribution เป็นพารามิเตอร์ในกรณีนี้ กำหนดให้ความเคารพกับ Synaptic ฟลักซ์ผู้ประกอบการ [ 13 ] ซึ่งมาตรการเพิ่มน้ำหนักโดยรวมของ Synaptic . minimiz - ing ข้อมูลชาวประมงที่สอดคล้องในบริบทนี้ จะมองหาโซลูชั่นที่สภาวะคงตัวผลการแจกแจงความน่าจะเป็นที่ไม่รู้สึกถึงการเปลี่ยนแปลงภายในในน้ำหนัก Synaptic . วิธีนี้จากนั้นเป็นการ implementa - tion ของ stationarity หลักการ โดยระบุว่า เมื่อมีการใส่เครื่องเขียนได้มา การเรียนรู้ควรหยุดที่หลีกเลี่ยงการหนีของน้ำหนัก
Synaptic .