마야-순야타: 감성 스파이킹 신경망의 점진적 학습

본 연구는 스파이킹 신경망(SNN)이 새로운 정보를 학습하면서 기존 지식을 잊지 않도록 하는 '클래스-점진적 학습'의 근본적인 문제 해결을 목표로 한다. 이는 인공지능 분야의 주요 과제 중 하나로, 지속적인 학습 환경에서 망각을 방지하는 메커니즘이 필수적이다. 이를 위해 'Maya-Śūnyatā' 아키텍처는 두 가지 새로운 연산 원시인 'Karma'와 'Śūnyatā'를 도입한다. Karma는 연속적인 학습 작업에서 시냅스 연결이 상충되는 방향으로 얼마나 영향을 받았는지 추적하는 2차 신호이며, Śūnyatā는 네트워크의 발달 성숙도에 따라 조절되는 임계값을 초과하는 간섭을 축적한 시냅스를 제거하는 가지치기 메커니즘이다. 이는 어린 네트워크 상태에서는 공격적으로, 오래된 상태에서는 보수적으로 가지치기하는 생물학적 미세아교세포의 식균 작용과 유사한 동적 특성을 나타낸다. Split-CIFAR-100 데이터셋(10개 작업)을 사용한 7가지 조건의 제거 연구 결과, Karma는 가지치기 임계값에 도달하기 위해 전체 작업 경계를 넘어 축적되어야 함이 밝혀졌다. 지속적인 배치 수준 가지치기는 작동하지 않았으며, 가지치기가 없는 기준선과 동일한 15.19%의 평균 정확도를 보였다. 반면, Karma 축적을 포함한 완전한 Śūnyatā 메커니즘은 이 기준선 대비 측정 가능한 성능 향상을 달성했다. 본 연구는 Advaita Vedantic Antahkarana를 스파이킹 신경망의 연산 원시로 구현하는 Maya 연구 시리즈의 일환으로, 고전 인도 철학 프레임워크에서 새로운 신경망 메커니즘을 도출하는 체계적인 연구 의제를 발전시킨다. 이는 생물학적 및 계산적 영감의 원천으로서 철학적 개념을 활용하는 새로운 접근 방식을 제시한다.