液态机：它是如何工作的以及如何使用它？

Question

我现在正在学习LSM（液态机），我试着了解它们是如何用于学习的。

我对通过网络阅读的内容感到非常困惑。

我会写下我理解的内容 - ＆gt;这可能是不正确的，如果你能纠正我并解释真相，我会很高兴：

1. LSM根本没有接受过训练：它们刚刚用许多＆＃34;时间神经元初始化＆＃34; （例如Leaky Integrate＆amp; Fire神经元），而它们的阈值是随机选择的，因此它们之间的连接（即不是每个神经元必须与每个其他神经元具有共同边缘）。

2. 如果你想学习＆＃34;输入 I 后 x 时间单位，发生 Y ，您需要等待＆＃34;等等＆＃34;使用LIF＆＃34;探测器＆＃34;的 x 时间单位，并查看在此特定时刻发射的神经元。然后，您可以训练分类器（例如FeedForward Network），这个特定的触发神经元子集意味着发生了 Y 。

3. 您可以使用许多＆＃34;时间神经元＆＃34;在你的＆＃34;液体＆＃34;中，所以你可能有很多可能不同的发射神经元子集，所以在等待 x 时间单位后，激发神经元的特定子集几乎变得独一无二，输入您的输入我

我不知道上面写的是真的，还是完全垃圾。

请告诉我这是否是LIF的正确用法和目标。

Answer 1

从你的问题来看，你似乎走在了正确的轨道上。无论如何，液态机和回声状态机是处理计算神经科学和物理学的复杂主题，主题包括混沌，动态动作系统，反馈系统和机器学习。如果你觉得很难绕过它，那就好了。

回答你的问题：

1. 使用未经训练的神经元储存器的液体状态机的大多数实现。有一些尝试训练水库，但他们没有取得显着成功，值得为此目标所需的计算能力。 （参见递归神经网络训练的储层计算方法http://www.sciencedirect.com/science/article/pii/S1574013709000173）或（平行感知器的p-Delta学习规则http://www.igi.tugraz.at/psfiles/pdelta-journal.pdf）
   
   我的观点是，如果你想在分离性或模式概括方面使用Liquid作为分类器，你可以从神经元相互连接的方式中获得更多（参见Hazan，H。和Manevitz，L。，拓扑约束）液态机的稳健性，专家系统与应用，第39卷，第2期，第1597-1606页，http://dx.doi.org/10.1016/j.eswa.2011.06.052，2012年2月。）或（液态机使用哪种型号？http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5178822 ） 生物学方法（在我看来是最有趣的方法）（神经元能够通过穗定时依赖的可塑性学到什么？www.mitpressjournals.org/doi/abs/10.1162/0899766054796888）
2. 你说得对，你至少需要等到你完成输入。否则，您将有可能检测到您的输入，而不是您输入应该发生的活动。
3. 是的，您可以想象您的液体复杂性是SVM的核心，它试图将数据点投射到某些超空间，而液体中的探测器则试图将数据集中的类分开。作为拇指规则，神经元的数量和它们彼此之间的连接方式决定了液体的复杂程度。
   

关于LIF（Leaky Integrate＆amp; Fire神经元），我认为（我可能错了）两种方法之间的最大区别在于单个单元。在液态机中使用生物像神经元，并且在Echo状态下使用更多的模拟单元。因此，就“非常短期记忆”而言，液体状态接近每个神经元记住其自身的历史，其中在回声状态方法中，每个单独的神经元仅基于当前状态作出反应，存储在单元之间的活动中的存储器

Answer 2

要了解LSM，您必须了解与Liquid的比较。请注意以下图片：

• 你随意将石头扔进水里。取决于什么样的 你扔进水里的石头，还有另一波 x时间步后的模式。
• 关于这种波浪模式，你可以拥有 关于不同宝石特征的结论
• 从这种模式中你可以看出你投入了哪种石头。

LSM模拟了我们的这种行为：

• 随机连接到神经元储库的输入层。把它当作扔进水里的石头

• 随机连接神经元的储库。那些代表你的水，它以特定的方式与你的宝石相互作用。

  • 就LSM而言，我们有特殊的神经元（他们试图模拟真实的神经元）。它们在时间步长上增加了激活，只有在达到一定量的激活时才会激活，此外还会应用代表大脑中钾钾泵的冷却因子。
  • 在x时间步之后，你将会有一种尖峰神经元模式。

• 解释该模式的输出层，并将其用于分类。

Answer 3

我只想为其他读者增加2点。首先，“natrium-kalium”泵是英文的钠钾泵。其次是液态机（LSM）和有限状态机（FSM）之间的关系（因为有些读者可能已经了解有限状态机）。

LSM和FSM之间的关系大多只是一个类比。然而，LSM的单位（神经元）可以单独建模为FSM，关于它们是否发射动作电位（改变状态）。这方面的一个难点是每个单元及其邻居的状态变化的时间不固定。因此，当我们考虑所有单元的状态以及它们如何随时间变化时，我们得到一个无限转换表，并将LSM放在转换系统的类中，而不是FSM（可能这有点明显）。然而，我们然后添加线性鉴别器......这是一个简单的确定性读出层，它被训练用于挑选出对应于所需计算的LSM中的模式。读出系统监视单元的子集，并且通常具有良好定义的时间规则。换句话说，它忽略了许多状态转换，并且只对少数敏感。这使它有点像FSM。

您可能会读到LSM中的单位组合可以形成FSM，使得读数识别FSM“实际上包含在其中”。这来自一位作家，他首先将LSM视为计算机模型（原则上，您可能会阐明构成“虚拟FSM”的单元和连接，并构建一个实际类似的FSM）。对于任何将LSM视为生物系统的人来说，这样的说法可能会令人困惑，因为最好将读数视为选择和组合LSM特征的元素，其方式是忽略高维变异性并产生可靠性。低维FSM就像结果一样。