Core Concepts
Durch Optimierung der Informationsübertragung und der Modellierung der Eingabewahrscheinlichkeitsverteilung kann eine effiziente Darstellung natürlicher Bildpixel erreicht werden.
Abstract
Der Artikel untersucht, wie ein abstraktes diskretes vorwärtsgerichtetes Informationsverarbeitungsmodell, das von minimalen, aber realistischen Annahmen inspiriert ist, die beiden Hauptziele des frühen visuellen Systems erreichen kann: effiziente Informationsübertragung und genaue Modellierung der Sensorwahrscheinlichkeitsverteilung.
Es wird gezeigt, dass die Optimierung der Informationsübertragung nicht allgemein die optimale Wahrscheinlichkeitsverteilungsmodellierung garantiert. Am Beispiel eines Zwei-Pixel-Systems und von Bildpixeln wird illustriert, wie eine effiziente Darstellung durch einen nichtlinearen Populationscode realisiert werden kann, der von zwei Arten biologisch plausiblen Verlustfunktionen abhängt, die nur von der Ausgabe abhängen.
Nach unüberwachtem Lernen weist das abstrakte Informationsverarbeitungsmodell bemerkenswerte Ähnlichkeiten mit biologischen Systemen auf, obwohl es viele Merkmale echter Neuronen wie Spike-Aktivität nicht nachahmt. Ein vorläufiger Vergleich mit einem zeitgenössischen Deep-Learning-Modell deutet darauf hin, dass das Modell einen erheblichen Effizienzvorsprung bietet.
Das Modell liefert neue Erkenntnisse über die Rechentheorie früher visueller Systeme und einen möglichen neuen Ansatz zur Steigerung der Effizienz von Deep-Learning-Modellen.
Stats
Die Entropie der Ausgabe y ist gegeben durch:
HQ = -∑N
j=1 Q(yj) log Q(yj)
Die Approximation q(x) der Eingabewahrscheinlichkeit p(x) ist gegeben durch:
q(x) = Q(yj) / nj für x ∈ Gj
Quotes
"Optimizing for information transmission does not guarantee optimal probability distribution modeling in general."
"An efficient representation can be realized through a nonlinear population code driven by two types of biologically plausible loss functions that depend solely on output."
"After unsupervised learning, our abstract information processing model bears remarkable resemblances to biological systems, despite not mimicking many features of real neurons, such as spiking activity."