通过高维度计算对认知地图学习者进行模块化和组装
摘要：生物有必要学习如何控制自己的身体以实现有意识的运动，即基于当前位置和选择的动作来预测下一个身体位置。这种学习与最大化（最小化）环境奖励（惩罚）信号的目标无关。认知地图学习器（CML）是一个由三个独立但协同训练的人工神经网络组成的集合，它们学习构建任意双向图的节点状态和边动作的表示。这样做，CML学会遍历图节点；但是，CML不学习何时以及为什么从一个节点状态移动到另一个节点状态。本研究创建了以适合超维计算（HDC），一种符号机器学习（ML）的形式，将节点状态表示为高维向量的CML。这样做，图知识（CML）与目标节点选择（HDC）被分隔开来，使得每种ML方法可以独立训练。第一种方法使用HDC来设计任意数量的分层CML，其中每个图节点状态指定下一级CML要遍历的目标节点状态。其次，演示了基于HDC的刺激-响应经验模型每CML。由于超向量可能与彼此叠加，所以多个经验模型被加在一起并并行运行，而不需要重新训练。最后，CML-HDC ML单元被模块化：使用代理符号进行训练，以便可以在不重新训练CML或HDC模型的情况下对任意特定应用的刺激符号进行操作。这些方法为构建异构ML系统提供了一个模板。
作者：Nathan McDonald
论文ID：2304.04734
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-04-11