Multiscale Dynamic Coding improved Spiking Actor Network for Reinforcement Learning
作者：互联网
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！
AAAI 2022
Abstract
在深度神经网络(DNN)的帮助下，深度强化学习(DRL)在从游戏到机器人控制等许多复杂任务上取得了巨大成功。与具有部分受大脑启发的结构和功能的DNN相比，脉冲神经网络(SNN)考虑了更多的生物学特征，包括具有复杂动力学的脉冲神经元和具有生物学合理的可塑性原则的学习范式。受生物大脑中细胞组装的高效计算的启发，基于记忆的编码比读出复杂得多，我们提出了一种多尺度动态编码改进的脉冲执行者网络(MDC-SAN)，用于强化学习以实现有效的决策。 网络尺度的种群编码与神经元尺度的动态神经元编码（包含二阶神经元动力学）相结合，形成强大的时空状态表示。 广泛的实验结果表明，我们的 MDC-SAN 在 OpenAI 健身房的四个连续控制任务上的表现优于其对应的深度参与者网络（基于 DNN）。我们认为这是从有效编码到有效决策的角度改进 SNN 的重大尝试，就像在生物网络中一样。
标签：Multiscale,脉冲,improved,Network,编码,DNN,网络,SAN,神经元 来源： https://www.cnblogs.com/lucifer1997/p/16135348.html