情緒通訊與社群網路、視覺里程計、STDP 的高效預測編碼

好吧，因爲最近沒找到合適的論文，所以這篇文章不會聚焦在單一主題上，而會分成好幾個我最近感興趣的 paper 或技術上。

情緒通訊與社群網路

這篇文章(Kerr and Scharp 2020)探討將動物群集作爲通訊系統時，情緒的功能是什麼。 篇章涵蓋通訊系統、社群媒體、網路安全（不是網際網路，是情緒通訊網路），很有趣 在訊息理論的定性下，作者期許這樣的定量方法可以拿來分析社交媒體上的情緒操作，也可以應用到機器學習上。

視覺里程計

因爲要做機器視覺的關係，我最近也開始玩一些視覺里程計的東西；底下的影片是利用 SVO(Forster et al. 2017) 來重建我在「當個創世神」遊戲中，跟朋友一起做的蜜蜂養殖場。可以看到 SVO 可以重建鏡頭在遊戲中移動的軌跡，也可以重建週遭的環境，很好玩。除了純粹當作前端，這種方法也可以跟受哺乳動物啓發的導航系統做結合；你可以複習一下皇宇寫的文章。

影片連結：https://youtu.be/L1kfXDX026M

STDP 的高效預測編碼

STDP 是一種常被拿來爲 SNN 做無監督機器學習，也可以實際在生物上觀察到的現象。這篇文章 (Vilimelis Aceituno, Ehsani, and Jost 2020) 透過模擬 LIF 神經進行 STDP ，發現它可以減少突觸後動作電位產生，並集中在剩下的動作電位上；他們也發現，這樣的現象可以增加訊號傳遞的訊噪比，也可以減少神經新陳代謝的支出，同時達到透過前文預測後文的效果。你可以到他們的 github 倉儲 看看他們用到的程式。

撰文｜葉宸甫

參考資料

Forster, Christian, Zichao Zhang, Michael Gassner, Manuel Werlberger, and Davide Scaramuzza. 2017. “SVO: Semidirect Visual Odometry for Monocular and Multicamera Systems.” IEEE Transactions on Robotics 33 (2): 249–65. https://doi.org/10.1109/TRO.2016.2623335.

Kerr, Alison Duncan, and Kevin Scharp. 2020. “The Information in Emotion Communication.” arXiv:2002.08470 [Cs, Q-Bio], February. http://arxiv.org/abs/2002.08470.

Vilimelis Aceituno, Pau, Masud Ehsani, and Jürgen Jost. 2020. “Spiking Time-Dependent Plasticity Leads to Efficient Coding of Predictions.” Biological Cybernetics 114 (1): 43–61. https://doi.org/10.1007/s00422-019-00813-w.