Cross-modal applications of a neuromorphic olfactory learning algorithm
Diese Arbeit zeigt, dass ein neuromorpher olfaktorischer Lernalgorithmus, wenn er mit modalitätsspezifischer Vorverarbeitung und PCA angepasst wird, erfolgreich One-Shot-Online-Lernen bei sowohl Bild- als auch Sounderkennungsaufgaben durchführen kann, obwohl PCA-Repräsentationen es versäumten, eine hohe Ähnlichkeit zu Templates über alle Modalitäten hinweg zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich ein Computergehirn vor, das so lernt wie ein Hund einen neuen Geruch: indem es einmal daran schnuppert und sich sofort merkt, was es ist. Dieses Papier beschreibt, wie Wissenschaftler versuchten, dieses „schnüffelnde“ Gehirn darauf zu trainieren, Dinge zu erkennen, für die es ursprünglich nicht gebaut wurde, wie etwa Bilder und Klänge.
So sind sie dabei vorgegangen, unter Verwendung einiger einfacher Metaphern:
Das ursprüngliche Gehirn
Betrachten Sie den ursprünglichen Algorithmus als eine meisterhafte „Nase“. Er wurde entwickelt, um Gerüche sehr schnell zu lernen. Wenn man ihm einmal eine Rose zeigte, konnte er den Geruch für immer behalten. Die Wissenschaftler wollten sehen, ob diese gleiche „Nase“ auch lernen könnte, Gesichter (Bilder) oder Stimmen (Klänge) genauso mühelos zu erkennen.
Die Vorbereitung der Zutaten
Man kann einer Nase nicht einfach ein Bild oder eine Schallwelle füttern; sie muss in eine Sprache übersetzt werden, die die Nase versteht.
- Für Bilder: Sie nahmen einen Standard-Satz handgeschriebener Zahlen (wie ein Hausaufgabenblatt eines Kindes) und fütterten sie direkt in das System, so als würde man der Nase das Bild einer Blume zeigen.
- Für Klänge: Dies war schwieriger. Sie nahmen kurze Audioaufnahmen von Menschen, die Befehle aussprachen (wie „ja“ oder „nein“). Um diese Klänge für die „Nase“ verständlich zu machen, ließen sie sie durch einen speziellen Filter laufen, den man Gammaton-Filter nennt.
- Die Analogie: Stellen Sie sich vor, eine Schallwelle ist ein chaotischer Haufen verhedderter Wolle. Der Gammaton-Filter ist wie ein geschickter Sortierer, der die Wolle entwirrt und sie basierend auf der Tonhöhe in ordentliche Reihen legt (hohe Töne auf der einen Seite, tiefe Töne auf der anderen). Dies verwandelt einen chaotischen Klang in eine klare, organisierte Karte, die der Algorithmus „lesen“ kann.
Der Lernprozess
Nachdem die Daten vorbereitet worden waren, setzten die Wissenschaftler eine Technik namens PCA (Hauptkomponentenanalyse) ein.
- Die Analogie: Stellen Sie sich vor, Sie haben eine riesige Bibliothek voller Bücher, aber Sie interessieren sich nur für die Haupthandlung, nicht für winzige Details wie Schriftgröße oder Seitenzahlen. PCA ist wie ein Bibliothekar, der die Bücher schnell zusammenfasst, indem er die 90 %, die am wichtigsten sind, behält und den Rest wegwirft. Dies machte die Daten kleiner und für den Algorithmus leichter handhabbar.
Die Ergebnisse
Das Experiment war in Bezug auf Geschwindigkeit und Methode ein Erfolg.
- Die gute Nachricht: Genau wie die Nase, die einen Duft lernt, lernte der Algorithmus, die Zahlen und die Sprachbefehle nach nur einem einzigen Mal zu erkennen. Er tat dies „online“, was bedeutet, dass er in Echtzeit lernte, während die Daten eintrafen, ohne dass er dieselbe Sache immer und immer wieder studieren musste.
- Der Haken: Obwohl der Algorithmus die Muster lernen konnte, entsprachen die „zusammengefassten“ Versionen (die PCA-Ergebnisse) nicht exakt den ursprünglichen „Vorlagen“ oder perfekten Beispielen für jede einzelne Art von Daten. Es war ein wenig so, als würde man das Gesicht eines Freundes in einer Menge erkennen, aber die Skizze, die man danach von ihm zeichnete, war keine 100 % perfekte Kopie seines tatsächlichen Gesichts.
Zusammenfassend lässt sich sagen
Das Paper beweist, dass ein Gehirn, das für den Geruchssinn entwickelt wurde, darauf trainiert werden kann, Bilder und Klänge zu erkennen, indem man diese Eingaben in ein Format übersetzt, das es versteht. Es kann diese neuen Fähigkeiten sofort erlernen, auch wenn die mathematischen „Schatten“, die es von den Daten erstellt, nicht immer perfekte Kopien der Originale sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.