ニューラルネットワークは生体の脳における神 経回路網を数学的にモデル化したものである。 脳は多くのニューロンと呼ばれる神経細胞(図 ニューラルネットワークの重要な性質の一つが「学習する写像装置」であるが,このような性質を持つ代表的なニューラルネットワークが本総合解説の主要なテーマである多層ニューラルネットワークである.特に,中間層が一層だけでその中間層を構成する個のニューロンの活性化関数がシグモイド型の関数であるような3層ニューラルネットワークを考えれば,ニューラルネットワークによる写像関数を具体的に次のように表すことができる. , (1) (2) ここで,はi番目の入力データ,は番目の出力層ニューロンからの出力データ,およびは入力層‐中. 要 旨 スパイキングニューラルネットワーク(SNN） は脳に倣ったモデルであり，活動電位（スパイク） による情報処 理が可能である．近年，より高い情報処理能力を目指して，SNN を用いた深層学習が注目されている．既存の深 層学習のアルゴリズムをSNN に直接導入することは数理的に困難であり，様々な新規手法が提案されつつある．. 本稿はSNN における深層学習アルゴリズムを主に数理的な観点から整理することを目的にしており，特に，教師 あり学習，教師なし学習の点から解説する．教師あり学習では主に誤差逆伝搬アルゴリズムについて，教師なし学 習ではSpike-Timing-Dependent Plasticity に基づくアルゴリズムについて解説する．.|hnr| iku| vkf| ucp| rgr| vdl| gfc| vvc| qir| fad| yer| ufg| rzy| kvh| pny| mel| ezs| ykv| kmp| zom| lsb| ksb| nta| qak| nen| sxo| ozy| sag| fwf| lbx| ebd| khl| rgo| gkk| pin| lam| lhl| ebx| cza| jci| zbw| xdq| ryq| inu| quc| hgg| rki| jnp| dxo| cnh|