پاورپوینت ارائه مدلی از چگونگی بازترکیب مشخصه های ساخت یافته با تحریکات محلی دو بعدی در حافظه

بخشی از پاورپوینت

اسلاید 1 :

ارائه مدلی از چگونگی بازترکیب مشخصه های ساخت یافته با تحریکات محلی دو بعدی در حافظه

اسلاید 2 :

مدل سازی
نحوه مدل سازی
دوبعدی با توپولوژی لاتیس هگزاگونال: ایده ما در این طرح

اسلاید 3 :

رفع شکست مدل خطی در یادآوری چند شیء در زمان پیوند با افزایش بُعد با تغییر توپولوژی از خطی به لاتیس هگزاگونال دو بعدی
افزایش ظرفیت یادآوری نسبت به مدل یک بعدی

اسلاید 4 :

تغییر اوزان تحریکات excitatory و inhibitory نسبت به مدل یک بعدی

اسلاید 5 :

محلی سازی فعایت های نورونی در مدل دو بعدی

کرنل تحریک به شکل یک کلاه مکزیکی خواهد بود.(سمت چپ)
در صورتی که کرنل تحریک گوسی انتخاب شود (سمت راست) به علت عدم مهار در شعاع همسایگی میانی (نورون های نچندان نزدیک)، سیستم به حالت پایدار نخواهد رسید.

اسلاید 6 :

تعیین مرکز برای هر ویژگی در هر لایه در مدل دو بعدی

اسلاید 7 :

تعیین فاصله همسایگی برای هر ویژگی  جهت تعیین میزان تعلق هر نورون به آن ویژگی
تحریک نقاط در لایه های ویژگی به صورت تصادفی و با در نظر گرفتن محلی بودن فعالیت های ورودی صورت می گیرد و سپس در PFC بایند می شوند.

اسلاید 8 :

فازی سازی ورودی با استفاده از میزان تعلق نقاط تحریک شده به هر ویژگی
پس از آن که یک ویژگی یا مقوله اصلی تعلیم داده شد، موارد جدید مشابه را به آن ارجاع می دهیم. در صورتی که چند ویژگی اصلی تعلیم دیده شده باشد، مورد جدید را بسته به درجه نزدیکی به هر یک از ویژگی های اصلی دسته بندی می کنیم.

درصد تعلق ورودی به ویژگی ها، ”درجه نزدیکی“ دو تحریک را تعیین می کند.

برای مثال، رنگ جدیدی که به هر دو رنگ سبز و آبی شبیه است بسته به درجه نزدیکی به هر یک ازدو مرکز ویژگی سبز و آبی، در یکی از دو مقوله دسته بندی می شود. اما در نهایت به آن رنگ درصدی از سبز بودن و درصدی از آبی بودن را نسبت می دهیم.

اسلاید 9 :

نحوه کدینگ اطلاعات مبتنی بر اسپایک در مدل دو بعدی

ساده ترین حالت ممکن برای مدل این است که با فرض برابر بودن فرکانس فایر کردن همه نورون ها ، پارامتر فرکانس را از مدل حذف کنیم. بنابراین به یک پارامتر جدید برای استفاده در تشخیص درجه نزدیکی دو ویژگی به هم نیاز داریم.

در کدینگ مبتنی بر اسپایک ورودی تحریک شده به یک بردار سه مقداری نگاشت می شود که در آن هر مقدار نشان دهنده میزان تعلق ورودی به مرکز ویژگی است. مجموع این مقادیر ”1“ خواهد بود.

مراکز ویژگی به (1و0و0) ، (0و1و0) و (0و0و1) نگاشت می شوند.

نقطه میانی سه ویژگی که به ”نقطه سفید“ نام گذاری شده است به (0/3و0/3و0/3) نگاشت می شود.

اسلاید 10 :

خوشه بندی تحریکات بایند شده در PFC
یادگیری مفاهیم مرکب جدید حاصل از خوشه بندی روی PFC
بازیابی اطلاعات با مکانیزم feature binding
ذخیره اطلاعات
استدلال

اسلاید 11 :

خوشه بندی تحریکات PFC با استفاده از شبکه SOM

هر بار coupling از feature binding یک epoch برای SOM محسوب می شود .
برای نزدیک کردن ساختار PFC به توپولوژی کوهنن لازم است مفاهیم جدیدی به این لایه اضافه شود:
کدینگ مبتنی بر اسپایک : وزن در شبکه کوهنن براساس مقدار فازی شده سه تایی (فازی سازی مبتنی بر فاصله از مراکز ویژگی) تعریف می شود.

اسلاید 12 :

بررسی نتایج خوشه بندی PFC
فازی سازی تحریکات PFC براساس فاصله از مراکز خوشه های حاصله از اعمال SOM بر روی PFC

یافتن نسبت بین مقادیر فازی تحریکات در بین زوج های IT-PFC و V4-PFC

بررسی تغییرات مقادیر فازی در زمان گذار و حالت پایدار سیستم

اسلاید 13 :

SPIKING و خوشه بندی روی PFC
در این حالت در شبکه کوهنن PFC وزن ها بر اساس مقدار فازی شده سه تایی (فازی سازی مبتنی بر فاصله از مراکز ویژگی) تعریف می شوند.

در اینجا ، نورونی در شبکه برنده خواهد بود که نزدیک ترین فاصله را به مقادیر فازی ورودی داشته باشد. این فاصله با تعریف فاصله اقلیدسی بدست می آید.

پس از انتخاب نورون برنده توسط شبکه، مقادیر سه تایی آن با مقادیر ورودی جایگزین می شود . همچنین بردار ورودی بر اساس تابع همسایگی بر مقادیر سایر نورون های شبکه اثر می گذارد.

اسلاید 14 :

مفاهیم جدید حاصل از خوشه بندی تحریکات PFC
در این جا می توان میان دو مفهوم زیر تمایز قائل شد:

یادگیری مفاهیم مرکب : مفهوم جدیدی از خوشه بندی ویژگی ها حاصل می شود به طوریکه ویژگی ها از لایه های متفاوتی هستند. مثلا دایره صورتی و بیضی قرمز در یک خوشه خواهند بود.

خلاقیت : بر اساس حذف ویژگی های مشترک بین مفاهیم بایند شده در PFC مفاهیمی شکل می گیرند که متعلق به ویژگی های یک لایه (ویژگی های هم خانواده) هستند. مانند شکل قلب که از ترکیب دایره و مثلث بدست می آید.

اسلاید 15 :

نرخ خلاقیت
نرخ خلاقیت به عنوان یک مفهوم جدید:
نرخ خلاقیت عددی در بازه [0,1] است و برای هر لایه ویژگی مطرح می شود. این مقدار هر چه برای یک لایه به صفر نزدیکتر باشد، مقدار کمتری از ورودی ها از ویژگی های آن لایه می آید و برعکس ؛ هر چه نرخ خلاقیت لایه ای به یک نزدیک شود به این معنی است که ورودی های بیشتری از ویژگی های آن لایه هستند.

وقتی تعداد دو برای ویژگی ها مفروض است نرخ خلاقیت یک ویژگی ، یک منهای نرخ خلاقیت ویژگی دیگر است.

هرچه نرخ خلاقیت برای یک ویژگی بیشتر باشد ترکیبات جدیدتری به آن لایه از ویژگی افزوده خواهد شد.