論文の概要: BS4NN: Binarized Spiking Neural Networks with Temporal Coding and Learning

• arxiv url: http://arxiv.org/abs/2007.04039v2
• Date: Mon, 6 Dec 2021 11:52:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 09:53:46.023087
• Title: BS4NN: Binarized Spiking Neural Networks with Temporal Coding and Learning
• Title（参考訳）: BS4NN: テンポラルコーディングと学習を備えた二元化スパイキングニューラルネットワーク
• Authors: Saeed Reza Kheradpisheh, Maryam Mirsadeghi, Timoth\'ee Masquelier
• Abstract要約: シナプス重みを2進数(+1または-1)に制限するS4NNの修正であるBS4NNを導入する。 BS4NNは時間領域で働き、スパイクは順次伝播し、異なるニューロンは異なる時間に閾値に達する。 我々は、BS4NNをMNISTとFashion-MNISTの2つの人気のあるベンチマークで検証し、この種のネットワークに対して妥当な精度を得た。
• 参考スコア（独自算出の注目度）: 0.4640835690336652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We recently proposed the S4NN algorithm, essentially an adaptation of backpropagation to multilayer spiking neural networks that use simple non-leaky integrate-and-fire neurons and a form of temporal coding known as time-to-first-spike coding. With this coding scheme, neurons fire at most once per stimulus, but the firing order carries information. Here, we introduce BS4NN, a modification of S4NN in which the synaptic weights are constrained to be binary (+1 or -1), in order to decrease memory (ideally, one bit per synapse) and computation footprints. This was done using two sets of weights: firstly, real-valued weights, updated by gradient descent, and used in the backward pass of backpropagation, and secondly, their signs, used in the forward pass. Similar strategies have been used to train (non-spiking) binarized neural networks. The main difference is that BS4NN operates in the time domain: spikes are propagated sequentially, and different neurons may reach their threshold at different times, which increases computational power. We validated BS4NN on two popular benchmarks, MNIST and Fashion-MNIST, and obtained reasonable accuracies for this sort of network (97.0% and 87.3% respectively) with a negligible accuracy drop with respect to real-valued weights (0.4% and 0.7%, respectively). We also demonstrated that BS4NN outperforms a simple BNN with the same architectures on those two datasets (by 0.2% and 0.9% respectively), presumably because it leverages the temporal dimension. The source codes of the proposed BS4NN are publicly available at https://github.com/SRKH/BS4NN.
• Abstract（参考訳）: 我々は最近、S4NNアルゴリズムを提案した。これは本質的には、単純な非リーキー統合火炎ニューロンと、時間対第一スパイク符号化と呼ばれる時間的符号化の形式を用いた、多層スパイキングニューラルネットワークへのバックプロパゲーションの適応である。 この符号化方式では、ニューロンは刺激毎に最大1回発火するが、発射順序は情報を運ぶ。 本稿では, シナプス重みを2進数(+1または-1)に制限したS4NNの修正であるBS4NNを紹介し, メモリの削減(理想的には, シナプス当たり1ビット)と計算フットプリントについて述べる。 これは2つの重みを用いて行われた: 第一に、実値の重み、勾配降下によって更新され、後方伝播の後方通過で、第二に、前方通過で使用する標識である。 同様の戦略が、二項化ニューラルネットワークのトレーニング(非スパイキング)に使用されている。 主な違いは、BS4NNが時間領域で動作していることである:スパイクは順次伝播し、異なるニューロンが異なる時間に閾値に達すると計算能力が増大する。 bs4nn を mnist と fashion-mnist の2つのベンチマークで検証し,実数値の重み(それぞれ0.4%,0.7%)に対して無視できる精度の低下で,この種のネットワークに対して合理的な確率(97.0%,87.3%)を得た。 また、BS4NNは2つのデータセット(それぞれ0.2%と0.9%)で同じアーキテクチャを持つ単純なBNNよりも優れていることを実証した。 BS4NNのソースコードはhttps://github.com/SRKH/BS4NNで公開されている。

関連論文リスト

• Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients [51.82488018573326]
  重み付きニューラルネットワークのトレーニングに適した,新しいレイヤワイドオプティマイザであるQP-SBGDを提案する。 BNNは、深層学習モデルの計算要求とエネルギー消費を最小限の精度で削減する。 提案アルゴリズムは階層的に実装されており,リソース制限量子ハードウェア上での大規模ネットワークのトレーニングに適している。
  論文  参考訳（メタデータ） (2023-10-23T17:32:38Z)
• INK: Injecting kNN Knowledge in Nearest Neighbor Machine Translation [57.952478914459164]
  kNN-MTは、推論中に隣接する表現に基づいて予測を円滑にするための効果的なパラダイムを提供する。 我々は,kNN近傍の表現を少数の新しいパラメータで調整することで,表現空間を円滑にするための効果的なトレーニングフレームワークINKを提案する。 4つのベンチマークデータセットでの実験では、メソッドは1.99 COMETと1.0 BLEUの平均ゲインを達成し、0.02倍のメモリ空間と1.9倍の推論速度を持つ最先端のkNN-MTシステムより優れていた。
  論文  参考訳（メタデータ） (2023-06-10T08:39:16Z)
• SEENN: Towards Temporal Spiking Early-Exit Neural Networks [26.405775809170308]
  スパイキングニューラルネットワーク(SNN)は、最近、従来のニューラルネットワーク(ANN)の生物学的にもっともらしい代替品として人気が高まっている。 本研究では,SNNにおける時間経過の微調整について検討する。 時間ステップ数を動的に調整することにより、SEENNは推論中の平均時間ステップ数を著しく削減する。
  論文  参考訳（メタデータ） (2023-04-02T15:57:09Z)
• Timing-Based Backpropagation in Spiking Neural Networks Without Single-Spike Restrictions [2.8360662552057323]
  スパイキングニューラルネットワーク(SNN)のトレーニングのための新しいバックプロパゲーションアルゴリズムを提案する。 シングルスパイク制限なしで、個々のニューロンの相対多重スパイクタイミングに情報をエンコードする。
  論文  参考訳（メタデータ） (2022-11-29T11:38:33Z)
• RepBNN: towards a precise Binary Neural Network with Enhanced Feature Map via Repeating [19.091622136753656]
  バイナリニューラルネットワーク(BNN)は、畳み込みニューラルネットワーク(CNN)の極端な量子化バージョンで、すべての特徴と重みを1ビットにマッピングする。 本稿では,新しい交換可能で使いやすい畳み込みモジュールRepConvを提案する。
  論文  参考訳（メタデータ） (2022-07-19T03:38:34Z)
• Spatial-Temporal-Fusion BNN: Variational Bayesian Feature Layer [77.78479877473899]
  我々は,BNNを大規模モデルに効率的にスケールするための時空間BNNを設計する。 バニラBNNと比較して,本手法はトレーニング時間とパラメータ数を著しく削減し,BNNのスケールアップに有効である。
  論文  参考訳（メタデータ） (2021-12-12T17:13:14Z)
• Sub-bit Neural Networks: Learning to Compress and Accelerate Binary Neural Networks [72.81092567651395]
  Sub-bit Neural Networks (SNN) は、BNNの圧縮と高速化に適した新しいタイプのバイナリ量子化設計である。 SNNは、微細な畳み込みカーネル空間におけるバイナリ量子化を利用するカーネル対応最適化フレームワークで訓練されている。 ビジュアル認識ベンチマークの実験とFPGA上でのハードウェア展開は、SNNの大きな可能性を検証する。
  論文  参考訳（メタデータ） (2021-10-18T11:30:29Z)
• Spike time displacement based error backpropagation in convolutional spiking neural networks [0.6193838300896449]
  本稿では,STiDi-BPアルゴリズムを拡張し,より深く,畳み込み型アーキテクチャに応用する。 MNISTとFashion-MNISTの2つのベンチマークに基づく画像分類タスクの評価結果から,このアルゴリズムが深部SNNに適用可能であることを確認した。 後進パスで更新される実数値重みと、フィードフォワードプロセスで使用される2値重みと、その記号と2値重みの2つの重みを持つ畳み込みSNNを考える。
  論文  参考訳（メタデータ） (2021-08-31T05:18:59Z)
• FTBNN: Rethinking Non-linearity for 1-bit CNNs and Going Beyond [23.5996182207431]
  本稿では,二項化畳み込み過程が,その誤差を最小限に抑えるために線形性を増大させ,BNNの識別能力を損なうことを示す。 我々は、その矛盾を修正するために、適切な非線形モジュールを再検討し、調整することで、最先端のパフォーマンスを実現する強力なベースラインに繋がる。
  論文  参考訳（メタデータ） (2020-10-19T08:11:48Z)
• You Only Spike Once: Improving Energy-Efficient Neuromorphic Inference to ANN-Level Accuracy [51.861168222799186]
  スパイキングニューラルネットワーク(英: Spiking Neural Networks、SNN)は、神経型ネットワークの一種である。 SNNはスパースであり、重量はごくわずかであり、通常、より電力集約的な乗算および累積演算の代わりに追加操作のみを使用する。 本研究では,TTFS符号化ニューロモルフィックシステムの限界を克服することを目的としている。
  論文  参考訳（メタデータ） (2020-06-03T15:55:53Z)
• Event-Based Angular Velocity Regression with Spiking Networks [51.145071093099396]
  スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。 本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。 角速度回帰を行うためにSNNをうまく訓練できることが示される。
  論文  参考訳（メタデータ） (2020-03-05T17:37:16Z)

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。