Benchmarking Predictive Coding Networks -- Made Simple

本文旨在解决机器学习中预测编码网络的效率和可扩展性问题。为此，我们首先提出了一个名为PCX的库，其重点在于性能和简单性，并提供了一个用户友好的面向深度学习的界面。其次，我们使用PCX实现了大量基准测试，供社区用于实验。由于大多数研究都提出了自己的任务和架构，没有将它们相互比较，并且专注于小规模任务，因此一个简单而快速的开源库，被整个社区采用，将解决所有这些问题。第三，我们使用多种算法进行了广泛的基准测试，在多个任务和数据集上设定了新的最先进的结果，并突出了应该解决的PC固有限制。由于PCX的效率，我们能够分析比常用的更大的架构，提供基线，激励社区努力解决领域中的主要开放问题：可扩展性。PCX的代码可在\textit{https://github.com/liukidar/pcax}上找到。

解决问题：本文试图解决预测编码网络在机器学习中的效率和可扩展性问题，提出了一个名为PCX的库以及一系列基准测试。

关键思路：PCX库专注于性能和简单性，提供用户友好的深度学习接口，通过PCX实现多种算法的大量基准测试，提供了一个简单快速的开源库，为解决PC可扩展性问题提供了基准。

其他亮点：本文通过PCX进行了大量基准测试，使用多种算法，在多个任务和数据集上取得了新的最优结果，同时也指出了PC的局限性，开源了PCX的代码，值得进一步研究。

相关研究：本文指出当前大多数研究都提出了自己的任务和架构，没有相互比较，且专注于小规模任务。近期相关研究包括“Predictive coding in the visual cortex: a functional interpretation of some extra-classical receptive-field effects”和“Predictive coding as a model of biased competition in visual attention”等。