Diplomarbeit von Michael Schindler

iv Inhaltsverzeichnis
3 Neuronale Gewöhnung in Aplysia californica 71
4 Neuigkeitsorientiertes Lernen 77
4.1 Entfernen von redundanten Daten . . . . . . . . . . . . . . . . . . . . . 78
4.1.1 Die Aufmerksamkeitsschwelle . . . . . . . . . . . . . . . . . . . 78
4.1.2 Ein Algorithmus für die Entkopplung von Lern- und Systemdynamik
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2 Das Verhalten des ANTS . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.1 Stationäre Approximationseigenschaften . . . . . . . . . . . . . 81
4.2.2 Eigenschaften der Phasenübergänge . . . . . . . . . . . . . . . . 85
4.2.3 Dynamikentkopplung durch Zeitskalenkompression . . . . . . . . 88
4.2.4 Dynamikentkopplung durch unterschiedliche Zeitskalenkompression
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.2.5 Zusammenfassung und Diskussion . . . . . . . . . . . . . . . . . 93
5 Zusammenfassung und Ergebnisse der Arbeit 95
A Gedächtniskerne 97
B Einige einfache Modelle 100
B.1 Eine kontinuierliche Näherung für mittlere τS . . . . . . . . . . . . . . 100
B.2 Die diskrete Formulierung der Näherung für mittlere τS . . . . . . . . . 102
B.3 Eine Näherung für sehr große τS . . . . . . . . . . . . . . . . . . . . . . 103
C Ergebnisse der Variationsrechnung 106
C.1 Warum eine ML-Schätzung die Verteilungsdichte approximiert . . . . . 106
C.2 Warum selbstreferentielles Lernen die Datenverteilungsdichte abschneidet108
Literatur 114
Notation 117