machine-learning - 液态状态机: How is it different to Spiking Neural Network Models

Question

我对“储层计算世界”非常陌生，我听说液体状态机(LSM)是某种尖峰神经元网络模型(SNN)。两者在实现上到底有什么区别。

我需要澄清的另一个方面是关于它们的对应物“Echo 状态网络 (ESN) 的泄漏积分器模型”。我从论坛的另一个答案中发现，“据我所知(我可能是错的)，两种方法之间的最大区别在于单个单元”。在液态状态机中使用类似生物的神经元，而在回声状态下使用更多的模拟单元。因此，就“极短期内存”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使用react，存储在单元之间的事件中的内存.

请告诉我这是否正确，如果不正确，它们背后的实际概念是什么。

Answer 1

尖峰神经元是一个神经元模型。另一方面，LSM 是一个网络模型。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都会激发。 This给出了足够简单的介绍。基本思想是不将神经元视为二进制/数字(开/关)，而是通过解码尖峰之间的时间来进行模拟，现在认为尖峰之间的时间是神经元之间信息传输的主要来源。人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。因此，一个模型是否实际上更现实并不能确定。