Improving LTC using Markov Chain Model of Sensory Neurons and Synaptic Plasticity

감각 뉴런의 마르코프 체인 모델과 시냅스 가소성을 이용한 LTC 개선

In this work, we propose a model that considers the behavior and synaptic plasticity of sensory neurons based on Liquid Time-constant Network (LTC). The neuron connection structure was experimented with four types: the increasing number of neurons, the decreasing number, the decreasing number, and the decreasing number. In this study, we experimented using a time series prediction dataset to see if the performance of the changed model improved compared to LTC. Experimental results show that the application of modeling of sensory neurons does not always bring about performance improvements, but improves performance through proper selection of learning rules depending on the type of dataset. In addition, the connective structure of neurons showed improved performance when it was less than four layers.

본 연구의 목적은 LTC(Liquid Time-constant Network)를 기반으로 감각 뉴런의 동작과 시냅스 가소성을 고려한 모델을 제안하는 것이다. 이를 위해 뉴런 연결 구조를 뉴런의 수가 증가하는 형태, 감소하는 형태, 증가 후 감소하는 형태, 감소 후 증가하는 형태의 4가지로 설정하여 실험을 진행하였다. 변경한 모델의 성능이 LTC에 비해 개선되었는지 알아보기 위한 데이터는 시계열 예측 데이터셋을 사용하였다. 실험 결과, 감각 뉴런의 모델링을 적용하는 것은 항상 성능 향상을 불러오는 것은 아니지만 데이터셋의 종류에 따라 적절히 학습 규칙을 선택하는 것을 통해 성능이 향상됨을 관찰하였다. 또한, 뉴런의 연결 구조는 4개 층 이하일 때 향상된 성능을 보였다.