عنوان مقاله فارسی: قابلیت های یادگیری ماشینی مخچه شبیه سازی شده

عنوان مقاله لاتین: Machine Learning Capabilities of a Simulated Cerebellum

نویسندگان: Matthew Hausknecht; Wen-Ke Li; Michael Mauk; Peter Stone

تعداد صفحات: 12

سال انتشار: 2017

زبان: لاتین

Abstract:

This paper describes the learning and control capabilities of a biologically constrained bottom-up model of the mammalian cerebellum. Results are presented from six tasks: 1) eyelid conditioning; 2) pendulum balancing; 3) proportional-integral-derivative control; 4) robot balancing; 5) pattern recognition; and 6) MNIST handwritten digit recognition. These tasks span several paradigms of machine learning, including supervised learning, reinforcement learning, control, and pattern recognition. Results over these six domains indicate that the cerebellar simulation is capable of robustly identifying static input patterns even when randomized across the sensory apparatus. This capability allows the simulated cerebellum to perform several different supervised learning and control tasks. On the other hand, both reinforcement learning and temporal pattern recognition prove problematic due to the delayed nature of error signals and the simulator's inability to solve the credit assignment problem. These results are consistent with previous findings which hypothesize that in the human brain, the basal ganglia is responsible for reinforcement learning, while the cerebellum handles supervised learning.

این مقاله قابلیت‌های یادگیری و کنترل یک مدل تحت فشار بیولوژیکی محدود شده از مخچه پستانداران را توصیف می‌کند. نتایج حاصل از شش وظیفه ارایه می‌شوند: ۱)آماده‌سازی پلک؛ ۲)موازنه آونگ؛ ۳)متعادل‌سازی derivative؛ ۴)شناسایی الگو؛ و ۶)تشخیص الگوی خطی MNIST. این وظایف، چندین نمونه از یادگیری ماشین، از جمله یادگیری تحت نظارت، یادگیری تقویتی، کنترل و شناسایی الگو را در بر می‌گیرد. نتایج حاصل از این شش حوزه نشان می‌دهد که شبیه‌سازی مخچه قادر است با شناسایی الگوهای ورودی ایستا حتی وقتی که به طور تصادفی در عرض دستگاه حسی قرار دارد، محکم باشد. این قابلیت به مخچه شبیه‌سازی شده اجازه می‌دهد تا چندین وظایف مختلف تحت نظارت و کنترل را انجام دهد. از طرف دیگر، هم یادگیری تقویتی و هم تشخیص الگوی زمانی به دلیل ماهیت تاخیری سیگنال‌های خطا و عدم توانایی simulator's برای حل مشکل تخصیص اعتبار، مشکل‌ساز هستند. این نتایج با یافته‌های قبلی که فرض می‌کنند که در مغز انسان، گانگلیون‌های بازال مسئول یادگیری تقویتی هستند در حالی که مخچه یادگیری تحت نظارت را انجام می‌دهد.