Leabra とは

Leabraは、ローカル、エラー駆動型、連想型、生物学的に現実的なアルゴリズムの略です。これは、Hebbianと他のネットワーク派生の特性との間のバランスのとれた学習のモデルです。このモデルは、入力および以前の学習の影響に基づいて結果を数学的に予測するために使用されます。このモデルは、ニューラルネットワークの設計およびモデルに大きく影響され、貢献する。このアルゴリズムは、新しいプロジェクトを作成する際のemergent(PDP ++の後継)でのデフォルトアルゴリズムであり、さまざまなシミュレーションで広く使用されています。
ヘビービアン学習は、スパースな期待アクティビティレベルのための補正係数を伴う条件付き主成分分析(CPCA)アルゴリズムを使用して実行される。
誤差駆動型学習は、再循環アルゴリズムの一般化であるGeneRecを使用して実行され、Almeida-Pineda反復バックプロパゲーションに近似する。 GeneRecの対称、中点バージョンが使用されています。これは対照的なHebbian学習アルゴリズム(CHL)と同等です。詳細は、O'Reilly(1996; Neural Computation)を参照してください。
活性化関数は、離散スパイキングと連続レートコード出力の両方を伴うポイントニューロン近似である。
層単位または群単位のレベル抑制は、k-winners-take-all(KWTA)関数を使用して直接的に計算し、疎な分散表現を生成することができます。
正味の入力は、正規化された、S字状に変換された重み値に基づいて接続上の平均であり、合計ではなく平均として計算され、相対的な寄与を変更するために接続グループレベルでスケーリングされる。自動スケーリングは、異なる投影における期待される活動レベルの差を補償するために実行される。
このアルゴリズムに関するドキュメンテーションは、MIT Pressが出版した「認知神経科学の計算上の探究:脳をシミュレートすることによって心を理解する」という書籍に掲載されています。および緊急の文書