MARC

 008260126s2025        us                              c    eng  d
■001000017360333
■00520260202105508
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263327002
■035    ▼a(MiAaPQ)AAI32308071
■035    ▼a(MiAaPQ)GeorgiaTech78646
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551.63
■1001  ▼aGurbuz,  Mustafa  Burak.
■24510▼aLeveraging  Neuro-Inspired  Mechanisms  for  Adaptive  and  Efficient  Deep  Learning
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a139  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Dovrolis,  Constantine.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aDeep  Neural  Networks  (DNNs)  have  transformed  artificial  intelligence,  yet  their  success  remains  heavily  dependent  on  large,  static  datasets,  rigid  architectures,  and  computationally  intensive  training  processes.  In  contrast,  biological  brains  excel  in  dynamic,  resource-constrained  environments.  This  thesis  explores  how  principles  from  neuroscience  can  be  abstracted  and  adapted  to  improve  the  adaptability  and  efficiency  of  modern  deep  learning  systems.  We  propose  three  neuro-inspired  methods  that  address  key  challenges  in  real-world  machine  learning:  continual  learning  and  data  efficiency.First,  we  introduce  NISPA,  a  method  inspired  by  the  brain's  sparse  dynamic  connectivity  and  synaptic  stability.  Designed  for  task-incremental  continual  learning,  NISPA  preserves  previously  acquired  knowledge  by  dynamically  rewiring  a  sparse  network  and  selectively  freezing  crucial  connections.  This  approach  significantly  outperforms  existing  methods  while  requiring  up  to  ten  times  fewer  parameters.Second,  we  present  NICE,  a  method  inspired  by  adult  neurogenesis  and  contextual  memory  encoding  in  the  hippocampus.  NICE  eliminates  the  need  for  data  replay  in  classincremental  learning  by  grouping  neurons  according  to  their  integration  time  into  the  network's  function  and  using  context  detection  to  route  inputs  appropriately.  Without  storing  or  replaying  past  data,  NICE  matches-and  often  exceeds-the  performance  of  popular  replay-based  methods  while  avoiding  their  computational  overhead.Finally,  we  address  efficient  learning  from  streaming  data  with  PEAKS,  a  method  inspired  by  the  brain's  top-down  attention  mechanisms.  PEAKS  incrementally  selects  informative  training  samples  based  on  prediction  errors  and  kernel  similarity,  effectively  filtering  out  noisy  or  redundant  data.  Our  experiments  show  that  PEAKS  achieves  competitive  accuracy  using  as  little  as  one-fourth  the  data  compared  to  random  selection.Collectively,  these  approaches  demonstrate  how  neuro-inspired  mechanisms-such  as  synaptic  rewiring,  contextual  memory  encoding,  and  attentional  filtering-can  substantially  enhance  the  adaptability  and  efficiency  of  deep  learning  systems.  They  represent  a  step  toward  AI  systems  that  are  not  only  accurate  but  also  resource-efficient,  context-aware,  and  capable  of  lifelong  learning.
■590    ▼aSchool  code:  0078.
■650  4▼aSkewness
■650  4▼aNeurons
■650  4▼aDeep  learning
■650  4▼aAdaptability
■650  4▼aMemory
■650  4▼aBrain  research
■650  4▼aNeural  networks
■650  4▼aSeeds
■650  4▼aNeurogenesis
■650  4▼aAdaptation
■650  4▼aDesign
■650  4▼aNeurosciences
■650  4▼aAgronomy
■690    ▼a0389
■690    ▼a0800
■690    ▼a0317
■690    ▼a0285
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360333▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서