TY  - THES
AB  - Spiking Neural Networks (SNNs) versprechen energieeffiziente, skalierbare Berechnungen, die vom biologischen Gehirn inspiriert sind. Die Übertragung biologisch plausibler Lernalgorithmen in effektive künstliche Systeme stellt jedoch erhebliche rechnerische und konzeptionelle Herausforderungen dar. Diese Dissertation behandelt zwei zentrale Aspekte: skalierbares, ereignisgetriebenes Lernen und biologisch inspiriertes kontinuierliches Lernen durch Erweiterungen und Anpassungen des Eligibility Propagation (e-prop) Algorithmus, einer biologisch inspirierten Alternative zu Backpropagation Through Time (BPTT). Im ersten Projekt wird eine ereignisbasierte Adaption von e-prop vorgestellt, die von kontinuierlichen, zeitgetriebenen Berechnungen zu asynchronen, ereignisgesteuerten Aktualisierungen übergeht. Unser Ansatz berücksichtigt biologische Randbedingungen wie synaptische Verzögerungen und räumlich-zeitliche Lokalität und erhöht dadurch die biologische Plausibilität. Durch die Entkopplung von Zeitkonstanten und die Einführung flexibler Aktualisierungsmechanismen, die durch neuronale Spikes ausgelöst werden, bleibt die rechnerische Effizienz erhalten, und wir demonstrieren eine skalierbare Leistungsfähigkeit anhand von Benchmarks wie dem neuromorphen MNIST. Als natürliche Fortsetzung, die auf diesen Grundlagen aufbaut, behandelt das zweite Projekt das Problem des katastrophalen Vergessens, eine wesentliche Herausforderung des kontinuierlichen Lernens. Inspiriert von synaptischer Konsolidierung und neuromodulierter Plastizität in biologischen Systemen schlagen wir ein Framework vor, das pro Synapse Online-Salienz-Spuren verwendet, die kontinuierlich mit lokal verfügbarer Gradienteninformation aktualisiert werden – ohne auf explizite Aufgabenübergänge oder mehrere Daten-Durchläufe angewiesen zu sein. Aufgabenwechsel werden mithilfe der Bayesian Online Changepoint Detection (BOCD) selbstständig erkannt, was die Auslösung neuromodulatorischer Signale zur effektiven Wissenskonsolidierung ermöglicht .Zusammen zeigen diese Projekte, dass biologisch inspirierte Mechanismen, unter Berücksichtigung biologischer Randbedingungen implementiert, sowohl skalierbares ereignisbasiertes Lernen als auch robustes kontinuierliches Lernen ermöglichen.
AU  - Espinoza-Valverde, Jesús
CY  - Wuppertal
DA  - 2025
DO  - 10.25926/BUW/0-891
DP  - Bergische Universität Wuppertal
KW  - Spiking Neural Networks (SNNs)
KW  - Ereignisgesteuertes Lernen
KW  - Biologische Plausibilität
KW  - Kontinuierliches Lernen
KW  - Katastrophales Vergessen
KW  - Event-driven learning
KW  - Biological plausibility
KW  - Continual learning
KW  - Catastrophic forgetting
LA  - eng
N1  - Bergische Universität Wuppertal, Dissertation, 2025
PB  - Veröffentlichungen der Universität
PY  - [2025]
SP  - 1 Online-Ressource (xiii, 147 Seiten) : Illustrationen, Diagramme
T2  - Fakultät für Mathematik und Naturwissenschaften
TI  - Event-driven strategies for biologically plausible learning
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:468-2-6120
Y2  - 2026-01-17T13:14:33
ER  -