Learning in Wilson-Cowan model for metapopulation

这篇文章介绍了一种名为Wilson-Cowan模型的元群体神经网络模型，将大脑的不同亚皮层区域视为相互连接的节点，并用连接表示这些区域之间的各种结构、功能或有效的神经连接。每个区域都包含相互作用的兴奋性和抑制性细胞群，与标准的Wilson-Cowan模型一致。通过将稳定吸引子纳入这种元群体模型的动力学中，我们将其转化为一种学习算法，能够实现高精度的图像和文本分类。我们在MNIST和Fashion MNIST上进行了测试，结合卷积神经网络在CIFAR-10和TF-FLOWERS上进行了测试，并结合变压器架构（BERT）在IMDB上进行了测试，始终表现出高分类准确性。这些数值评估表明，对于元群体的Wilson-Cowan模型进行最小的修改可以揭示出独特的、以前未曾观察到的动态。

该论文旨在将Wilson-Cowan模型用于元群体学习算法，以实现高精度的图像和文本分类。这是否是一个新问题？

论文将Wilson-Cowan模型中的稳定吸引子应用于元群体学习算法中，从而实现高精度的图像和文本分类。相比当前领域的研究，这篇论文的思路具有创新性。

论文通过在MNIST、Fashion MNIST、CIFAR-10、TF-FLOWERS和IMDB数据集上进行实验，展示了该方法的高分类精度。此外，论文还提供了开源代码，该方法值得进一步研究。

最近在这个领域中，还有一些相关的研究，例如“Neural Mass Networks for Metapopulation Dynamics Modeling”和“Deep Learning with Dynamic Spiking Thresholds for Neuromorphic Systems”。