差分生长神经气体的容量研究
摘要：基于差分生长神经气体(DGNG)网络架构的格点模型(GCM)，被提出作为一种计算高效的建模自联想记忆细胞(AMC)的方法。DGNG架构的一个重要特征是其在计算神经科学领域的应用中的容量，即处理和唯一区分输入信号的能力，从而获取有效的输入空间表示。本研究评估了基于两层DGNG格点模型的Fashion-MNIST数据集的容量。研究重点在于层大小的变化，以改进对容量属性与网络参数之间的理解，以及其缩放性能。此外，还提供了参数讨论和像素/段变化方法的合理性检验。研究得出结论，即DGNG模型能够获得输入空间的有意义且合理的表示，并能够在适度的层大小下处理Fashion-MNIST数据集的复杂性。
作者：P. Levi, P. Gelhausen, G. Peters
论文ID：2212.12319
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-12-26