論文の概要: File Classification Based on Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2004.03953v1
- Date: Wed, 8 Apr 2020 11:50:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 08:28:45.216576
- Title: File Classification Based on Spiking Neural Networks
- Title(参考訳): スパイクニューラルネットワークに基づくファイル分類
- Authors: Ana Stanojevic, Giovanni Cherubini, Timoleon Moraitis, Abu Sebastian
- Abstract要約: スパイクニューラルネットワーク(SNN)に基づく大規模データセットにおけるファイル分類システムを提案する。
提案システムは、推論タスクに対する古典的機械学習アルゴリズムの代替として有効なものである可能性がある。
- 参考スコア(独自算出の注目度): 0.5065947993017157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a system for file classification in large data sets
based on spiking neural networks (SNNs). File information contained in
key-value metadata pairs is mapped by a novel correlative temporal encoding
scheme to spike patterns that are input to an SNN. The correlation between
input spike patterns is determined by a file similarity measure. Unsupervised
training of such networks using spike-timing-dependent plasticity (STDP) is
addressed first. Then, supervised SNN training is considered by backpropagation
of an error signal that is obtained by comparing the spike pattern at the
output neurons with a target pattern representing the desired class. The
classification accuracy is measured for various publicly available data sets
with tens of thousands of elements, and compared with other learning
algorithms, including logistic regression and support vector machines.
Simulation results indicate that the proposed SNN-based system using memristive
synapses may represent a valid alternative to classical machine learning
algorithms for inference tasks, especially in environments with asynchronous
ingest of input data and limited resources.
- Abstract(参考訳): 本稿では,spyking neural networks (snns) に基づく大規模データセットにおけるファイル分類システムを提案する。
キー値メタデータペアに含まれるファイル情報は、新しい相関時間符号化方式によりマッピングされ、SNNに入力されるパターンをスパイクする。
入力スパイクパターン間の相関はファイル類似度尺度によって決定される。
まずspike-timing-dependent plasticity(stdp)を用いたネットワークの教師なしトレーニングを行う。
次に、出力ニューロンのスパイクパターンと所望のクラスを表すターゲットパターンとを比較して得られるエラー信号のバックプロパゲーションにより、教師付きSNNトレーニングを考える。
分類精度は数万要素の公開データセットに対して測定され、ロジスティック回帰やサポートベクターマシンを含む他の学習アルゴリズムと比較される。
シミュレーションの結果,提案するsnnベースのシステムは,入力データと限られたリソースを非同期に取り込む環境において,従来の機械学習アルゴリズムの代替手段として有効であることが示唆された。
関連論文リスト
- Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。
動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。
以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
論文 参考訳(メタデータ) (2024-08-08T16:48:33Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Supervised learning of spatial features with STDP and homeostasis using Spiking Neural Networks on SpiNNaker [42.057348666938736]
本稿では,スパイクタイミング依存塑性(STDP)とホメオスタシスを用いて,スパイクニューラルネットワーク(SNN)の教師あり学習を行う新しい手法を提案する。
SNNは1つまたは複数のパターンを認識するように訓練され、ネットワークのパフォーマンスを測定するためにパフォーマンスメトリクスが抽出される。
空間パターンを検出するためのSNNの訓練方法は、静的画像のパターン認識やコンピュータネットワークのトラフィック解析に応用できる。
論文 参考訳(メタデータ) (2023-12-05T10:53:31Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。
我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。
ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
論文 参考訳(メタデータ) (2023-05-26T04:34:28Z) - Parallel Neural Networks in Golang [0.0]
本稿では,並列ニューラルネットワーク(PNN)と新しいプログラミング言語Golangの設計と実装について述べる。
Golangとその固有の並列化サポートは、並列ニューラルネットワークシミュレーションにおいて、シーケンシャルなバリエーションに比べて処理時間が大幅に短縮されていることが証明された。
論文 参考訳(メタデータ) (2023-04-19T11:56:36Z) - Spiking Generative Adversarial Networks With a Neural Network
Discriminator: Local Training, Bayesian Models, and Continual Meta-Learning [31.78005607111787]
スパイキングパターンを再現するためにニューラルネットワークを訓練することは、ニューロモルフィックコンピューティングにおける中心的な問題である。
この研究は、個々のスパイキング信号ではなく、スパイキング信号にマッチするようにSNNを訓練することを提案する。
論文 参考訳(メタデータ) (2021-11-02T17:20:54Z) - BioLCNet: Reward-modulated Locally Connected Spiking Neural Networks [0.6193838300896449]
本稿では,スパイクタイピング依存型可塑性(STDP)と,その報酬変調型(R-STDP)学習規則を用いて訓練したスパイクニューラルネットワーク(SNN)を提案する。
ネットワークは、レートコードされた入力層と、ローカルに接続された隠れ層とデコード出力層から構成される。
我々は,MNISTデータセットを用いて,画像分類精度と報奨システムのロバスト性を評価した。
論文 参考訳(メタデータ) (2021-09-12T15:28:48Z) - FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。
FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
論文 参考訳(メタデータ) (2021-06-24T15:38:34Z) - NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。
NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。
NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
論文 参考訳(メタデータ) (2020-12-09T13:02:44Z) - Multi-Sample Online Learning for Probabilistic Spiking Neural Networks [43.8805663900608]
スパイキングニューラルネットワーク(SNN)は、推論と学習のための生物学的脳の効率の一部をキャプチャする。
本稿では,一般化予測最大化(GEM)に基づくオンライン学習ルールを提案する。
標準ニューロモルフィックデータセットにおける構造化された出力記憶と分類実験の結果,ログの類似性,精度,キャリブレーションの点で大きな改善が見られた。
論文 参考訳(メタデータ) (2020-07-23T10:03:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。