(強いAI)技術的特異点/シンギュラリティ171

**オーバーテクナナシー** · 2019/09/01(日) 17:51:36.69

2045年頃に人類は技術的特異点(Technological Singularity)を迎えると予測されている。
未来技術によって、どのような世界が構築されるのか？人類はどうなるのか？
などを様々な視点から網羅的に考察し意見交換する総合的なスレッド

■技術的特異点：収穫加速の法則とコンピュータの成長率に基づいて予測された、
生物的制約から開放された知能[機械ベース or 機械で拡張]が生み出す、
具体的予測の困難な時代が到来する起点

■収穫加速の法則：進歩のペースがどんどん早くなるという統計的法則
ここでの進歩とは、技術的進歩だけでなく生物的進化、生化学的秩序形成も含む

★ 関連スレ(特化した話はこちらで)
(AI) 技術的特異点と政治・経済・社会 (BI)
http://goo☆.gl/riKAbq
(情報科学) 技術的特異点と科学・技術 (ナノテク)
http://goo☆.gl/RqNDAU

※URL部分をコピーし、☆を消してペースト※

※前スレ
(強いAI)技術的特異点/シンギュラリティ170
https://rio2016.5ch.net/test/read.cgi/future/1566534326/

(強いAI)技術的特異点/シンギュラリティ169
http://rio2016.5ch.net/test/read.cgi/future/1564778477/

(強いAI)技術的特異点/シンギュラリティ167（実質168)
http://rio2016.5ch.net/test/read.cgi/future/1564064841/

(強いAI)技術的特異点/シンギュラリティ167
http://rio2016.5ch.net/test/read.cgi/future/1564044623/

**yamaguti** · 2019/09/01(日) 23:53:49.75

_ttp://rio2016.2ch.net/test/read.cgi/future/1504872499/138-139# Hannyou AI/AL / HTM # YuugouGijutu <-> NN TuijuuYosoku
_ttp://rio2016.2ch.net/test/read.cgi/future/1549315166/54-55#1522139588/10# YuugouGijutu

**yamaguti** · 2019/09/01(日) 23:59:46.04

>28 yamaguti 190823 1806 i4k6f2cA \>20 yamaguti 190803 1721 Xl6OoRO0
> :
>>> ハイデルベルクニューロモルフィックコンピューティングプラットフォームへのHTMモデルの移植
>>> _ttp://rio2016.2ch.net/test/read.cgi/future/1548169952/26-37#-52# _ttp://rio2016.2ch.net/test/read.cgi/future/1552014941/69-81#67-89#
>>>
>>>
>>> Google 翻訳 _ttp://webcache.googleusercontent.com/search?q=cache:arxiv.org/pdf/1511.00083
>>>
> :
>>> なぜニューロンは何千ものシナプスを持っているのか、新皮質に於けるシーケンス記憶の理論
>>>
>>> Jeff Hawkins *、Subutai Ahmad Numenta、Inc、レッドウッドシティー、カリフォルニア州、アメリカ
>>> *対応する著者のEメール：jhawkinsATnumenta、sahmadATnumenta
>>>
>>>
>>>キーワード：新皮質、予測、新皮質理論、アクティブな樹状突起、シーケンス記憶
>>>この原稿のバージョンは、2015年10月30日現在で公開
:

_ttp://rio2016.2ch.net/test/read.cgi/future/1564778477/19-28#-35# 1
_ttp://rio2016.2ch.net/test/read.cgi/future/1566534326/28-45#-50# 2.1

訂正
>、生物学的ニューロンがそれらのシナプス数千個及びアクティブな樹状突起をどのように使用するかを我々は理解要。
>細胞がアクティブになるよりも、しばしば先行する何百ものパターン、を認識する事を各ニューロンは学
>図1 C）樹状突起と NMDA スパイクとを同時検出器其々シナプス 1 セット付のアレイを伴った HTM モデルニューロンはモデル化する（それぞれ数個しか図示されていな
>シナプス少なくともθ個がアクティブになる場合即ち、シナプス少なくともθ個と現アクティブセルとが一致する場合、パターンをセグメントが認識すると我々は言います。

**yamaguti** · 2019/09/02(月) 00:00:16.97

| 17 yamaguti 190803 1719 Xl6OoRO0 \ \ \ \>22 yamaguti 190607 0950 4Z3mBigD
|||||>581 ｰ 190519 2246 kr2lGsT6
|||||>AI（）人間のような●の感覚を自ら発達さ（ドイツ研究
|||||>_ttp://www.excite.co.jp/news/article/Karapaia_52274399/?p=4##
|||||
|||||>523 ｰ 190519 0451 HW6bjAq0
||||||●の感覚を自ら発達さ（
|||||>_ttp://karapaia.com/archives/52274399.html
|||||
|||||>155 ｰ 190515 0546 hZvL0Hpx
||||||ニューラルネッは人間が持つ「量感覚」を理●解できるかも
|||||>_ttp://ai-scholar.tech/treatise/math-ai-145/
||||||「研究、物体を認識訓練だけのｰラルネッ、量感覚ｰロンが自発的に発達
||||||
|||||>教えてない AIが「●の概●念」に目覚 [
|||||>_ttp://leia.2ch.net/test/read.cgi/poverty/1557836992/##
||||||■AIが教えられなく、●の概●念を理●
||||||■数は抽象的な概念で、数えるなどの行為を経ずに瞬時判断高度な思考活動
||||||■ 、AIは視覚情報用いた学習中に、ネッ内の数に関するユニットが突然反応し「●」の概●念を理●
||||| :
|||| :

**yamaguti** · 2019/09/02(月) 00:01:10.78

体細胞 : 細胞体
細胞層 : セルラレイヤ
配列 : シーケンス
遠位樹状近位樹状基礎樹状基本樹状先端樹状頂端樹状心尖樹状 :
末梢樹状主要樹状基底樹状基底樹状尖端樹状尖端樹状尖端樹状 ( 尖樹状 )

　

A 細胞層はシーケンスを学ぶ

　　2/3　　4　　5　　6
　　 ↓

? B 学ぶ前に
B 学習前

　　A　　B　　C　　D　　　　? あいうえお
　　X　　B　　C　　Y

　　　 ↓↓ ↓
同じ列ですが、列ごとにアクティブなセルは1つだけです。
　　　 ↓↓ ↓

C 学んだ後

　　A　　B'　　C'　　D'　　　　? あいうえお'
　　X　　B "　　C "　　Y"

? ry 皮質細胞層中の配列を表す。
図２：皮質細胞レイヤ中のシーケンスを表す

**yamaguti** · 2019/09/02(月) 00:01:57.18

>>34
A）
? ry 細胞層に分けられる。
新皮質は細胞レイヤに分割される
? ry 、1つの汎用セル層の一部を示 ry 。
この図のパネルは、一般的セルラレイヤ 1 枚の一部を示
? ry ために、パネルには1列に6個のセルを持つ21個のミニ ry を示 ry 。
わかりやすくする為に、1列に付き 6 セルを伴った、 21 ミニカラムのみをパネルは示
B）
入力シーケンスABCDとXBCYはまだ学習されていませ
? ry この例では ry 、まばらなミニカラムのセットを呼び出します。
各シーケンス要素は、この図では3つのみの、ミニカラムのスパースセットを呼起します。
? ry 、ミニカラム内のすべてのセル ry 、シーケンス ry 。
入力が予想外の場合、そのミニカラム内の全セルがアクティブになります。これは、そのシーケンスを学習する前の場合。
C）
ry 、入力 ry された1つのセルのみが各列でアクティブです。
2つのシーケンスを学習した後、それら入力は同じミニカラムを起動しますが、B '、B' '、C'、C ''、D 'およびY' 'とラベル付けされた各列の中に於て 1 セルのみがアクティブです。
C 'とC' 'は一意であるため、YまたはDのどちらかの正しい高次予測を呼び出できます。

? 14年

**yamaguti** · 2019/09/02(月) 00:03:47.26

>>34-35 >>34 >>35
A 次の入力の予測

　　A　入力　　　B '　予測　　　B　入力　　　C '　予測

B 複数同時予測

　　B　入力　　　C 'とC' '　予測　　　C　入力　　　D 'とY' '　予測

図3：近くのニューロンへの基本接続は次の入力を予測します
A）
図２からの配列の１つを使用して、活性細胞（黒）および脱分極／予測細胞（赤）の両方が示される。 >>34-35 >>34 >>35
最初のパネルには予期しない入力Aが表示され、それが次の入力B 'の予測につながります（2番目のパネル
? ry 、偏光解消セル ry 。
後続の入力が予測と一致場合、脱分極セルのみがアクティブになり（3番目のパネル）、これが新しい予測につながります（4番目のパ
? ry される外側シナプス結合が最も ry 。
予測された細胞のうちの１つによって使用されるシナプス横方向接続複数が最も右側のパネルに示され。
? ry は、多数のアクティブセルのサブセット ry 。
現実的なネットワークでは、予測されるすべてのセルは、アクティブセルの大集団のサブセットに対して15以上の接続
B）
あいまいなサブシーケンス「ＢＣ」（ＡＢＣＤおよびＸＢＣＹの両方の一部）がネットワークに提示される。
最初のパネルは予期しない入力Bを示、これはC 'とC' 'の両方の予測につながります
? ry 。両方のセットの予測セルがアクティブ ry 予測します（4番目のパネル）。
3番目のパネルは、入力Cの後のシステムを示。予測セルセットの両方がアクティブになり、DとYの両方を予測しています（4番目のパ
複雑なデータストリームでは、通常多くの同時予測があります。

? 15年

**yamaguti** · 2019/09/02(月) 00:08:11.73

>>34-35 >>34 >>35
先端樹状突起

シーケンスB 'C' D 'のフィードバックバイアス

← 入力C
表現C '

← 入力Y
期待と一致しません

? ry 先端樹状 ry は全配列を ry 。
図４：尖端樹状突起へのフィードバックはシーケンス全体を予測する
、図２と同じネットワークおよび表現 >>34-35
「先端樹状突起」と表示された領域は、新皮質の第1層に相当。全細胞からの頂端樹状突起（図示せず）はここで終結する。
図、次のように仮定
? ry 示されているように、ｰクは以前にシーケンス ry を学習した。
図２に示されたシーケンスＡＢＣＤをネットワークは以前に学習した。
? 学習されたシーケンスの間、頂起に一定のフィパターンが提示され、配列B'C'D 'に参加する細胞はそれらの頂起上にプスを形成して一定のフィパを認識した。
学習済シーケンスに亘って尖端樹状突起へと提示され ( てい ) るコンスタントなフィードバックパターン、をそして認識する為にシーケンス B'C'D ' 参加各細胞はそれら尖端樹状突起上にシナプス編成した。

ｰドバック接続が学習された後、頂端樹状突起へのフィードバッｰンの提示は、シーケンス内で順次アクティブになるすべてのセルによって同時に認識される
? ry 、偏光解消状態になります（ ry 。
赤で表示これらのセルは、脱分極します（左ペイン）。
新フィードフォワード入力が到着すると、予測されたシーケンスに関連するスパース表現になります（中央のパネル
? ry パターンが予想されるシーケンスの一部として解釈 ry 、選択された列の ry 。
ｰドフォワードパターンを予想シーケンスの一部として解釈できない場合（右パ）、選択カラムのすべてのセルがアクティブになり、異常を示します
? ry 、頂端フクは、予想されるシの一部として入力を解釈するようにｰクをバイアスし、入力が予想されるシーケンス ry しないかどうか検出する。
このようにして、尖端フィードバックはネットワークを、どんな入力も予想シーケンスの一部としての解釈をする様にバイアスし、入力がもしも予想シーケンス内の要素のどれにも一致しない場合を検出する。

**yamaguti** · 2019/09/02(月) 00:08:48.44

>16 yamaguti 190803 1719 Xl6OoRO0 \ \ \ \ \>206 205 190516 2258 aLnc2HDn \>205 \| 27 yamaguti 0514 1314 2vGaUUWM \>49 yamaguti 190419 0256 CVBD0yuO
|7>130 ｰ 190405 1357 +TcvRYcO
|7|】ドワ人工知能研閉
|7>_ttp://egg.2ch.net/test/read.cgi/bizplus/1554121214/240-248#(247)#299-303#(299,303)#345-364#(363)##
|7|
|7>に汎用人工知能に詳
||||||||
|7>240 名刺は切 190405 1541 CocGLBI2
||||| :
|7>お宅が汎用ＡＩ理解してないだけ
|7>大森秀樹氏の幾何学新視点（不確定性と非可換
|7>では数学は脳が作
|7>自然数も脳の直観
|7|
|7>ようするに数学普遍性はない
|7>脳離れては数学は実在しない
:
|7>放送大線形代数に
|7>数学はヒルベルトの形式主義急速に脱出 \>と記述
|7|
|7>はヒルベの抽象化に \>普遍性が無を言っ
|7|
|7>ようするに点集合の上部構造の \>公理的集合論に普遍性はない
|7|
|7>放送大教科書だけでな \>大森氏も指摘
||||||||
|||||||| _ttp://rio2016.2ch.net/test/read.cgi/future/1541837624/59-60#1489922543/286#1523134522776# TidouSetu
||| _ttp://rio2016.2ch.net/test/read.cgi/future/1504872499/134#120#100##138#146##1489922543/174## >150 >128 >112-116 # HiSuuri # Kazu=Maborosi , Tetugaku # TendouSetu

**yamaguti** · 2019/09/02(月) 00:09:19.88

樹状突起

軸索

　　0.0　　0.3　　　　1.0
　　　　　　　　　　　　シナプス「永続性」
　　　　0　　　　1
　　　　　　　　　? シナプス重量
　　　　　　　　　シナプスウェイト

? ry
図5：新シナプスの成長による学習
? ry 、一連の潜在的シナプスからの新しいシナプス ry 。
HTMニューロンでの学習は、潜在的シナプスのセットからの新シナプスの成長によってモデル化。
「永続性」値は各潜在的シナプスに割り当てられ、プスの成長を表す。
学習は、永続性の値を増減によって行われます
? ry 重みは、永続 ry 設定されたバイナリ値です。
シナプスの重みはバイナリ値で、永続性がしきい値を超えている場合は1に設定されます。

? 17年

**yamaguti** · 2019/09/02(月) 00:10:07.13

階層的時間的記憶理論 ( HTM )
_ttp://webcache.googleusercontent.com/search?q=cache:numenta.com/assets/pdf/whitepapers/hierarchical-temporal-memory-cortical-learning-algorithm-0.2.1-jp.pdf#nyuumenta
短縮版 _ttp://rio2016.5ch.net/test/read.cgi/future/1427220599/539-676# _ttp://rio2016.2ch.net/test/read.cgi/future/1489740110/22-30# _ttp://rio2016.2ch.net/test/read.cgi/future/1481407726/6-82
世界の構造を学習する事を新皮質内カラムが如何にして可能たらしめるかの理論
_ttp://rio2016.2ch.net/test/read.cgi/future/1547171604/43-67# 投影 : 投射

**yamaguti** · 2019/09/02(月) 00:11:25.93

2.2。ニューロンのネットワークはシーケンスを学ぶ

? 新皮質のすべての組織は活動的な樹状 ry ニュで構成されているので、それは新皮質がするすべての根底にある共通 ry 。
ィブな樹状突起と何千ものシナプスとを持つニューロンで新皮質の全組織が構成のでそれは、新皮質がする全ての事の根底に横たわる共通のネットワーク原理があることを示唆
? これは、どのようなｰク特性がそれが感覚的推論、予測、言語、および運動計画の必要な構成要素であるほど基本的であるかという問題につながります。
この事は、感覚推論と、予測と、言語と、加えて運動プランニングと、の必要構成要素である程に基本的なそれ、とはどの様なネットワーク特性であるかという問いへと導きます

? ry 基本的な操作は
我々は、全ての新皮質組織の最も基本的なオペレーションはパターンのシーケンスの学習と想起であるを提案（H and Blakeslee、2004）。これはKarl Lashleyが「脳生理学の最も重要で最も無視され問題」と有名に呼んでいたものです（Lashley、1951
? ry 細胞層が共通の配列記憶アの変形形態を実装すること ry 。
より具体的、本発明者らは、新皮質の各細胞レイヤが共通シーケンス記憶アルゴリズムのバリエーションを実装してい提案。
我々は、セルラレイヤが異なる目的のためにシーケンスメモリを使を提案。それが、セルラレイヤがサイズ及び接続性のような詳細において異なる理由。
? 本稿では、そのョンを詳しく説明せずに、基本的なシｰメモリアルゴリズムであると考えていることを説明します。
本稿で我々は、我々が信じる基本的シーケンスメモリアルゴリズムを、そのバリエーションの細緻にまで立入らずに、示します。

**yamaguti** · 2019/09/02(月) 00:11:48.34

我々は、新皮質をモデル化ために我々のネットワークに要求されるいくつかの特性を列挙により、配列記憶の探索を始めた
1）オンライン学習
学習は継続的でなければなりません
世界の統計が変化した場合、ネットワークは新しい入力ごとに徐々にそして継続的に適応要
2）高次予測
? ry シーケンスで正 ry をするには、過去 ry 。
複雑なシーケンスを伴って正しい予測を成すには、過去からの文脈情報を取り込む能力要。
ネットワークは、最良の予測ために必要な時間的コンテキストの量を動的に決定要。
「高次」という用語は、この性質を有する「高次マルコフ連鎖」を指す。
3）複数同時予測
? ry 、重複した ry 。
自然データストリームには、多くの場合、オーバラップした分岐シーケンスがあります。
したがって、シーケンスメモリは同時に複数の予測を行う必要
? 4）地域
4）ローカル学習ルール
? シーケンスメモリは、各ニュにローカルな学習規則のみを使用する必要があります。
シーケンス記憶が使用する学習規則は各ニューロンにローカルなものだけでなければなりません
? グローバルな目的関数を必要と ry 。
グローバルオブジェクト的関数を必要とせずに、規則は空間的にも時間的にも局所的でなければなりません
5）堅牢性
メモリは、高レベルのノイズ、ニューロンの損失、および入力の自然な変動に対する堅牢性を示すはずです。
これらの条件下でのパフォーマンスの低下は緩やかになるはずです

これらすべてのプロパティは、データを連続的にストリーミングするという状況で同時に発生要。

4

**yamaguti** · 2019/09/02(月) 00:15:40.95

２．２．１。ミニコラムとニューロン：2つの表現

高次シーケンスメモリは2つの同時表現要。
一方はネッｰクへのフィードフォワード入力を表し、他方は特定の時間的文脈におけるｰドフォワｰ入力を表す
? ry
この要件を説明ために、2 抽象シーケンス「ABCD」と「XBCY」を検討。各文字は、ニュの母集団の中のアクティベーションのスパースパターンを表す
? ry が学習 ry 」と共に提示 ry 」と共に提示 ry 。
これらのシｰが一旦学習されると、ネッは、「ＡＢＣ」を提示されたときに「Ｄ」を予測し、「ＸＢＣ」を提示ときに「Ｙ」を予測するはずである
? したがって、サブ ry 」の間の内部表現は、2つの場合で異なる必要があ。そうでないと、「C」が表示された後に正しいを行うことが ry 。
従って、その 2 つの場合に於てのそれらサブシーケンス「BC」の間のそれら内部表現は異ならねばならない。さもなくば「C」提示後に、正しい予測を成す事ができません。

**yamaguti** · 2019/09/02(月) 00:16:55.97

? ry 層にどのように表れているかを示していることを示
図2は、これら2つの表現が皮質ニューロンの細胞層に表れている事を我々がどの様に提案しているかを示
図２のパネルは、新皮質の単一細胞層を通るスライスを表す（図２Ａ >>34-35 >>34 >>35
わかりやすために、パネルは大幅に簡略
? 図２Ｂは、シが学習される前にｰクが２つ ry をどの ry かを示す。
2 つの入力シーケンスをネッｰクがｰケンス学習前にどの様に表すかを図 2B は示す。
図２Ｃは、シｰが学習された後にｰクがどのように同じ入力を表すかを示
?
ｰクへの各ｰドフォワード入力は、アクティブミニカラムのスパースセットに変換されます。 ( 新皮質のミニカラムは複数の細胞層にまたがる。ここでは、1 細胞層の 1 ミニカラム内のセルのみを我々は参照 )
ミニカラム内のすべてのニュは、同じｰドフォワード受容野を共有
?
予期しない入力が到着すると、選択ミニカラムの中の全セルが入力パターンを認識してアクティブになります
?
しかし以前に学習されたシーケンスの文脈では、ミニカラム内のセルのうちの１つまたは複数は脱分極する事になる。
?
脱分極細胞は活動電位を生成する最初の細胞になり、近くの他の細胞を抑制。
したがって、予測された入力は、特定の位置において、特定の順序で、特定の要素に固有の非常にまばらなパターンの細胞活性化をもたらす

>>34-35 >>34 >>35 [ここの図2原稿の終わりを見る]

**yamaguti** · 2019/09/02(月) 00:21:41.92

? ry
２．２．２。基底シナプスはシーケンス記憶の基礎である

この理論、細胞はそれらの基底シナプスを使って入力パターン間の遷移を学習。
新ｰドフォワード入力のたびに、いくつかの細胞はそれらの近位シナプスを介して活性になる
? ry そして再びパターンを見ると、極し、それによって次 ry おけるそれら自身
他の細胞は、それらの基底プスを使用しこの活性パターンを認識することを学び、そしてそのパを再び見ると、脱分極しそれによって、次の入力に於ける彼ら自身のｰドフォワード活性化を予測
ｰドフォワード入力はセルをアクティブにし、基礎入力は予測を生成。
次の入力が現予測と一致する限りｰケンスは継続（図3 >>36
図３Ａは、ィブセルと予測セルの両方を示、ネッｰクは以前に学習したシｰに従う

>>36 [ここの図3原稿の終わりを見る]

多場合、ネッｰクは複数の同時予測。
、シーケンス「ABCD」と「XBCY」を学習した後、システムをあいまいなサブシーケンス「BC」だけにさらすとします
? ry 、システムに「D」と「Y」の両方を同時に予測させます。
この場合、「D」と「Y」との両方を同時にシステムが予測する事を我々は欲する。
図３Ｂは、入力があいまいなときにネッがどのように複数の予測示 >>36
? 誤りの可能性が低いときに行うことができる同時
誤り可能性小なまま成せる同時予測の数も、式（１）によって計算 _ttp://rio2016.2ch.net/test/read.cgi/future/1566534326/39
予測は非常にまばら傾向のでｰクが混乱なく同時に何十ものパターンを予測可
? スパース表現
入力がいずれかの予測に一致すると、正しい過疎表現になります
?
入力がどの予測にも一致しない場合、カラム内の全セルがィブになり、予期せぬと示します

?
ミニカラム内のすべてのセルは同じｰドフォワード応答を共有しますが、それらの基底プスは異パターンを認識
?
したがって、ミニカラム内のセルは、学習された異なる一時的なコンテキストで一意に応答し、入力が予想される場合は全体的アクティビティが疎になります。
両観察（Martin and Schr er、2013; Vinje and Gallant、2002; Yen et al。、2007

**yamaguti** · 2019/09/02(月) 00:25:28.69

図３Ａの最後のパネルのセルのうちの１つについて、セルが予測に使用した３接続を示 >>36
? ry 、細胞は活動細胞
実際のニューロンでは、そして我々のシミュでは、細胞 1 つはアクティブ細胞のより大きな集団のサブセットへの15から40の接続を形成するでしょう

２．２．３。頂端シナプスはトップダウンの期待を生み出す

? 新皮質領域間のフィードバック軸索は、細胞体 ry 5に ry 細胞の先端樹状突起とシナプス（層1）を形成することが多い。
シナプス ( レイヤ 1 ) 形成を新皮質リージョン間のフィードバック軸索は、細胞体が層2、3、 5 にある錐体神経細胞、の尖端樹状突起と共にすることが頻繁。
これらのｰドバック接続が何らかの形の期待またはバイアスを実行と長い間推測されてきた（Lamme et al。、1998）。
我々のｰロンモデルはップダウンの期待のメカニズムを示唆。
図4は、頂端樹状突起への安定したｰドバックパターンが、シーケンス内の複数の要素をすべて同時に予測方法を示 >>37
新ｰドフォワード入力が到着すると、それは予測シーケンスの一部として解釈されます
?
ｰドバックは入力を特定の解釈にバイアスします。
繰り返しますが、まばら、多パ同時に予

>>37 [ここの図4原稿の終わりを見る]

したがって、同時に発生 2種類の予測
?
基底樹状突起への横方向の連結は次の入力を予測し、尖端側樹状突起へのトップダウンの連結は複数ｰケンス要素を同時に予測
? ry ）、おそらく推論 ry より微妙な解釈につながる ry 。
先端と基底樹状突起との間の生理学的相互作用は活発な研究分野（Larkum、2013）、推論や予測におけるそれらの役割のよりニュアンス重視な解釈を恐らくリードする。
ただし、図2 3 4に示されているメカニズムが、その最終的な解釈において引き続き役割を果たす可能性が高いことを提案します。 >>34-37

**yamaguti** · 2019/09/02(月) 00:27:04.01

２．２．４。シナプス学習則

私たちのｰロンモデルは、ほとんどのニューラルモデルの学習則に2 変更要
? 第一に、学習は「潜在 ry 成長させ除去することによって行われる（ ry 。
一「潜在的な」シナプスのプールからプスを成長させる事と除去する事とによって学習が起きる（Chklovskii et al。、2004）。
二ヘブの学習とシナプスの変化はｰロン全体ではなく、樹状突起セグメントのレベルで起こる（Stuart and H sser、2001）。

潜在的シナプス
? ニュが活動のパ ry ｰンで活動的な細胞のサブセットに接続する一組の並置 ry ）を必要とする。
ｰロンがアクティビティパターンを認識するためには、認識されるパターンに於てアクティブな細胞、のサブセットへと接続する並置されたシナプス（典型１５から２０）一組要

5

? ry された一連の新しいシナプスの形成によっ
新パターンを認識の学習は、樹状セグメント上に配置された新シナプスのセットの編成によって達成

? 図5は、シミュ ry おける新しいシナプスの形成をモデル化する方法を示
図 5 が示すのは、シミュ HTMニューロンに於ける、新シナプスの編成を、我々がモデル化する方法です。 >>39
? 各樹状突起セグメントについて、樹状 ry ントとシナプスを形成する可能性があるｰク内の他の細胞との間の一連の「潜在的な」プスを維持する（ ry 。
樹状突起セグメントと、そのセグとのシナプスを潜在的に可能としたそのネッｰク内他細胞と、の間の「潜在的」プスセットを我々は各樹状突起セグに維持する（Chklovskii et al。、2004）。
潜在的シナプスの数は実際のシナプスの数よりも大
? ry プスに割り当
プスの成長段階を表す「永続性」と呼ばれるスカラー値を、それぞれの潜在的シナプスに我々は割当。
? ゼロ ry 値は、シナプス ry 突起を表しますが、それは成長を始めていません。
プスを形成する可能性を持つ軸索と樹状突起とを、ゼロに近い永久値は、表しますがそれは成長を始めさせていません。
1.0の永続値は、大きな完全に形成されたシナプスを持つ軸索と樹状突起を表す

>>39 [図5の原稿の終わりを見る]

永続値は、ヘブ風の規則を使用して増減さ。

**yamaguti** · 2019/09/02(月) 00:29:29.05

_ttp://rio2016.2ch.net/test/read.cgi/future/1521732239/18# RihaKigen 2018 # YuugouKigen

**yamaguti** · 2019/09/02(月) 00:30:57.53

? 永続値が０．３などの閾値
もし 0. 3 など永続値が閾値を超える場合、シナプスの重みは１、永続値が閾値以下である場合、シナプスの重みは０。
閾値はシナプスの確立を表しますが、容易に消える可能性
? ry 、しきい値の永続値を持つシナプスと同じ効果があります ry 。
永続値が1.0のシナプスは、閾値な永続値なシナプスと同じ効果を持ちますが、それほど簡単には忘れられません。
スカラー永続値を使用すると、ノイズがある場合のオンライン学習が可。
以前には見られなかった入力パはノイズかもしれませんまたはそれは将来繰り返される新しい傾向の始まりかもしれません。
?
新プスを成長によってｰクは新パターンに最初に遭遇したときにそれを学習し始めできるが、新ｰンのいくつかの提示の後にのみ行動を異にする。
?
しきい値を超えて永続性が増すことは、他のものよりも経験したパターンは忘れるのにより長くかかる事を意味します。

? ry ニューロンまたはシナプスの ry 。
ＨＴＭニューロンおよびＨＴＭネッは、分布したパターンの細胞活性に依存しているので、任意の１つのニューロン又はシナプス、の活性化強度はそれほど重要ではない。
したがって、HTMシミュでは、ニュ活性化とシナプスの重みを2値モデル化。
さらに、生物学的シナプスが確率論的はよく知られている（Faisal et al。、2008）ので、新皮質理論はシナプス効果の正確さを要求できない。
? スカラｰ
そうであれどスカラー状態と重みはパフォーマンスを向上可能性がありますが、理論的な必須ではなく、シミュはそれらがなくてもうまく機能。
HTMネットワークシミュ正式な学習規則は、材料と方法ョンに記。