論文の概要: Synaptic Learning with Augmented Spikes
- arxiv url: http://arxiv.org/abs/2005.04820v1
- Date: Mon, 11 May 2020 01:00:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 19:43:51.287299
- Title: Synaptic Learning with Augmented Spikes
- Title（参考訳）: 強化スパイクスによるシナプス学習
- Authors: Qiang Yu, Shiming Song, Chenxiang Ma, Linqiang Pan, Kay Chen Tan
- Abstract要約: より脳的な処理パラダイムにより、スパイクニューロンは効率と計算能力を改善するためにより有望である。
本稿では、スパイクレイテンシに加えて、スパイク係数の相補的な情報を運ぶための拡張スパイクの概念を導入する。
新しい強化スパイクニューロンモデルとシナプス学習規則が提案され、強化スパイクのパターンを処理および学習する。
- 参考スコア（独自算出の注目度）: 14.76595318993715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional neuron models use analog values for information representation
and computation, while all-or-nothing spikes are employed in the spiking ones.
With a more brain-like processing paradigm, spiking neurons are more promising
for improvements on efficiency and computational capability. They extend the
computation of traditional neurons with an additional dimension of time carried
by all-or-nothing spikes. Could one benefit from both the accuracy of analog
values and the time-processing capability of spikes? In this paper, we
introduce a concept of augmented spikes to carry complementary information with
spike coefficients in addition to spike latencies. New augmented spiking neuron
model and synaptic learning rules are proposed to process and learn patterns of
augmented spikes. We provide systematic insight into the properties and
characteristics of our methods, including classification of augmented spike
patterns, learning capacity, construction of causality, feature detection,
robustness and applicability to practical tasks such as acoustic and visual
pattern recognition. The remarkable results highlight the effectiveness and
potential merits of our methods. Importantly, our augmented approaches are
versatile and can be easily generalized to other spike-based systems,
contributing to a potential development for them including neuromorphic
computing.
- Abstract（参考訳）: 従来のニューロンモデルは情報表現と計算にアナログ値を使用し、スパイクはスパイクに使用される。
より脳的な処理パラダイムにより、スパイキングニューロンは効率と計算能力の向上を期待できる。
それらは従来のニューロンの計算を、全てまたは何も持たないスパイクによって、追加の次元の時間で拡張する。
アナログ値の精度とスパイクの時間処理能力の両方の利点があるだろうか?
本稿では,スパイク遅延に加えてスパイク係数を持つ補完情報を運ぶための拡張スパイクの概念を提案する。
新しい強化スパイクニューロンモデルとシナプス学習規則が提案され、強化スパイクのパターンを処理および学習する。
提案手法はスパイクパターンの分類,学習能力,因果関係の構築,特徴検出,ロバスト性,音響・視覚パターン認識などの実用的タスクへの適用性など,その特性と特性を体系的に把握する。
その結果,本手法の有効性と有益性を強調した。
重要なことは、我々の拡張アプローチは汎用的で、他のスパイクベースのシステムに容易に一般化することができ、ニューロモルフィックコンピューティングを含む潜在的な発展に寄与する。
関連論文リスト
- Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。
本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。
WaLiN-GUIはオープンソースとドキュメントが提供されている。
論文 参考訳（メタデータ） (2023-10-25T20:34:08Z) - Neuromorphic Auditory Perception by Neural Spiketrum [27.871072042280712]
本研究では、時間変化のアナログ信号を効率的なスパイクパターンに変換するために、スパイク時相と呼ばれるニューラルスパイク符号化モデルを導入する。
このモデルは、様々な聴覚知覚タスクにおいて、スパイクニューラルネットワークのトレーニングを容易にする、正確に制御可能なスパイクレートを備えたスパースで効率的な符号化スキームを提供する。
論文 参考訳（メタデータ） (2023-09-11T13:06:19Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Neuronal architecture extracts statistical temporal patterns [1.9662978733004601]
情報表現や処理に高次時間的(コ-)ゆらぎをいかに利用できるかを示す。
単純な生物学的にインスパイアされたフィードフォワードニューロンモデルでは、時系列分類を行うために3階までの累積から情報を抽出することができる。
論文 参考訳（メタデータ） (2023-01-24T18:21:33Z) - An Adaptive Contrastive Learning Model for Spike Sorting [12.043679000694258]
神経科学研究においては、個々のニューロンの活動を分離することが重要である。
大規模なシリコン技術の発展に伴い、スパイクの人工的解釈とラベル付けはますます非現実的になりつつある。
対照的な学習を通してスパイクから表現を学習する新しいモデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-24T09:18:46Z) - Relational representation learning with spike trains [0.0]
本稿では,スパイクパターンの時間領域を完全に活用することで,知識グラフのスパイクトレインによる埋め込みを学習できるモデルを提案する。
以上の結果から,リレーショナル知識をスパイクベースシステムに統合することで,イベントベースコンピューティングとデータをマージして,パワフルでエネルギー効率の高い人工知能アプリケーションや推論システムを構築する可能性を明らかにする。
論文 参考訳（メタデータ） (2022-05-18T18:00:37Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳（メタデータ） (2021-09-20T15:12:16Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z) - Towards Efficient Processing and Learning with Spikes: New Approaches
for Multi-Spike Learning [59.249322621035056]
各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。
特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。
提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
論文 参考訳（メタデータ） (2020-05-02T06:41:20Z)
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。