Notice bibliographique
Résumé
We argue that kernel-based learning algorithms and, more generally, linear-in-the-parameters learning are more biologically plausible than has been supposed, and that they can be combined with neural-network ideas to gain advantages of both approaches. 1. While linear-in-theparameters learning is fast, it seems to waste neurons because it does not permit as high a ratio of adjustable synapses to cells as does nonlinear learning. But we show that the ratios become comparable as the number of output variables increases -i.e. linear learning becomes plausible when one considers that a brain has to learn many different, high-dimensional tasks. 2. Fast linear algorithms like RLS involve computations with large matrices, but we show that the matrices needn't be represented in transmissible form, in cell firing, but can be stored in synapses, which are much more plentiful than cells in the brain -i.e. there is, plausibly, enough storage space for these matrices. 3. Linear algorithms train just one layer of synapses, but with appropriate internal models we show how the process can be repeated at different stations in series, to get supervised learning at many different layers. 4. We show that it is possible to back-propagate through kernels, without needing the weight transport that is the implausible aspect of backprop, and so get more-effective feature-shaping than is normally possible with kernel methods. 5. We show that linear learning does not imply that most, or even necessarily any, neurons stay inside their linear ranges. 6. More speculatively, we point out that aspects of kernel-network learning agree with certain of our intuitions about learning and memory, e.g. that at least some kinds of memory consist largely of specific experiences, not blends, and that when an experience is repeated over and over, we remember later instances less well.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».