machine-learning - 液体状态机：与尖峰神经网络模型有何不同

Question

我对“水库计算世界”很陌生，而且我听说液态机器 (LSM) 是某种尖峰神经元网络模型 (SNN)。两者在实现方面究竟有什么区别。

我需要澄清的另一个方面是关于他们的对应物“回声状态网络 (ESN) 的泄漏积分器模型”。我从论坛中的另一个答案中发现，“在我看来（我可能是错的）这两种方法之间的最大区别在于单个单元。在液态机器中使用类似生物的神经元，而在 Echo 状态中使用更多的模拟单元。因此，就“非常短期记忆”而言，液态方法中每个单独的神经元都会记住自己的历史，而在回声状态方法中，每个单独的神经元仅根据当前状态做出反应，而记忆存储在单元之间的活动中.

请告诉我这是否正确，如果不是，它们背后的实际概念是什么。

Answer 1

尖峰神经元是一种神经元模型。另一方面，LSM 是一种网络模型。因此，LSM 是一组具有尖峰神经元（也称为分级响应或模拟）的网络模型的一部分。ESN 具有与普通感知器相同的单元，因此是另一种（更流行的）范式的一部分，其中神经元在每个传播周期中触发。这给出了一个足够简单的介绍。基本思想是不将神经元视为二进制/数字（开/关），而是通过解码时间来模拟现在认为是神经元之间信息传输的主要来源。人类大脑实际上是模拟的还是数字的尚不清楚，但有证据表明两者以及真正的机制是完全不同的东西。因此，不能肯定地说一种模型实际上是否更现实。