論文の概要: A multi-agent evolutionary robotics framework to train spiking neural networks

• arxiv url: http://arxiv.org/abs/2012.03485v1
• Date: Mon, 7 Dec 2020 07:26:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 05:34:35.723336
• Title: A multi-agent evolutionary robotics framework to train spiking neural networks
• Title（参考訳）: スパイクニューラルネットワークを訓練するマルチエージェント進化型ロボットフレームワーク
• Authors: Souvik Das, Anirudh Shankar, Vaneet Aggarwal
• Abstract要約: スパイクニューラルネットワーク(snn)を訓練するための新しいマルチエージェント進化ロボティクス(er)ベースのフレームワーク SNNの集団の重みと制御するボットの形態学的パラメータは表現型として扱われる。 フレームワークのルールは、特定のボットとそのSNNを選択して、競争環境において食物を捕獲する効果に基づいて、その除去を行う。
• 参考スコア（独自算出の注目度）: 35.90048588096738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A novel multi-agent evolutionary robotics (ER) based framework, inspired by competitive evolutionary environments in nature, is demonstrated for training Spiking Neural Networks (SNN). The weights of a population of SNNs along with morphological parameters of bots they control in the ER environment are treated as phenotypes. Rules of the framework select certain bots and their SNNs for reproduction and others for elimination based on their efficacy in capturing food in a competitive environment. While the bots and their SNNs are given no explicit reward to survive or reproduce via any loss function, these drives emerge implicitly as they evolve to hunt food and survive within these rules. Their efficiency in capturing food as a function of generations exhibit the evolutionary signature of punctuated equilibria. Two evolutionary inheritance algorithms on the phenotypes, Mutation and Crossover with Mutation, are demonstrated. Performances of these algorithms are compared using ensembles of 100 experiments for each algorithm. We find that Crossover with Mutation promotes 40% faster learning in the SNN than mere Mutation with a statistically significant margin.
• Abstract（参考訳）: 新しい多エージェント進化ロボット(ER)ベースのフレームワークは、自然界の競争的な進化環境に触発され、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に実証されている。 ER環境下で制御するボットの形態的パラメータとともに、SNNの集団の重みが表現型として扱われる。 フレームワークのルールは、特定のボットとそのSNNを選択して、競争環境において食物を捕獲する効果に基づいて、その除去を行う。 ボットとそのSNNは、損失関数を介して生存または再生する明確な報酬を与えられていないが、これらのドライブは、食べ物を狩るために進化し、これらのルールの中で生き残るために暗黙的に現れる。 食品を世代関数として捕獲する効率は、時間的平衡の進化的特徴を示す。 表現型に関する2つの進化的遺伝アルゴリズムであるMutationとCrossover with Mutationが示されている。 これらのアルゴリズムの性能は、アルゴリズムごとに100の実験のアンサンブルを用いて比較される。 We found that Crossover with Mutation promotes 40% faster learning in the SNN than mere Mutation with a statistically significant margin。

関連論文リスト

• Evolving Efficient Genetic Encoding for Deep Spiking Neural Networks [10.368223587448382]
  Spiking Neural Networks(SNN)は、ANN(Artificial Networks)に代わる低エネルギーの代替手段を提供する 既存のSNNモデルは、多くの時間ステップとネットワーク深さとスケールのために、依然として高い計算コストに直面している。 大規模深部SNNを低コストで制御するために動的に進化する効率的な遺伝的エンコーディング戦略を提案する。
  論文  参考訳（メタデータ） (2024-11-11T08:40:52Z)
• Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning [51.386945803485084]
  エージェントが制御する多次元決定論的ポリシーを学習する必要があるタスクに焦点をあてる。 既存のスパイクベースのRL法は、SNNの出力として発火率を取り、完全に接続された層を通して連続的なアクション空間(つまり決定論的なポリシー)を表すように変換する。 浮動小数点行列操作を伴わない完全にスパイクするアクターネットワークを開発するため,昆虫に見られる非スパイク介在ニューロンからインスピレーションを得た。
  論文  参考訳（メタデータ） (2024-01-09T07:31:34Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• IE-GAN: An Improved Evolutionary Generative Adversarial Network Using a New Fitness Function and a Generic Crossover Operator [20.100388977505002]
  我々は、新しいフィットネス機能と汎用クロスオーバー演算子を導入するIE-GANと呼ばれる改良されたE-GANフレームワークを提案する。 特に、提案されたフィットネス機能は、個人の進化過程をより正確にモデル化することができる。 進化アルゴリズムで一般的に採用されているクロスオーバー演算子は、子孫が両親の優れた遺伝子発現を模倣することができる。
  論文  参考訳（メタデータ） (2021-07-25T13:55:07Z)
• Neuroevolution of a Recurrent Neural Network for Spatial and Working Memory in a Simulated Robotic Environment [57.91534223695695]
  我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。 提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
  論文  参考訳（メタデータ） (2021-02-25T02:13:52Z)
• Neuroevolution in Deep Learning: The Role of Neutrality [0.0]
  人工深層ニューラルネットワーク(DNN)のアーキテクチャ構成と学習・訓練に手法が適用された。 進化的アルゴリズム(EA)はDNNの自動最適化のための計算可能手法として勢いを増している。 この研究は、ある条件を条件として、ニュートラルネットのトレーニング/設計を高速化する上で、中立性がどのように役立つかについて論じる。
  論文  参考訳（メタデータ） (2021-02-16T22:29:59Z)
• SPA: Stochastic Probability Adjustment for System Balance of Unsupervised SNNs [2.729898906885749]
  スパイキングニューラルネットワーク(SNN)は、低消費電力のハードウェア特性と脳に似た信号応答機構のために広く注目を集めている。 我々は,このギャップを減らすために,確率調整(Probability Adjustment, SPA)と呼ばれる情報理論に着想を得たシステムを構築した。 分類精度の改善はMNISTデータセットとEMNISTデータセットでそれぞれ1.99%と6.29%に達した。
  論文  参考訳（メタデータ） (2020-10-19T17:28:38Z)
• Host-Pathongen Co-evolution Inspired Algorithm Enables Robust GAN Training [0.0]
  GAN(Generative Adversarial Network)は、互いに訓練されたニューラルネットワークのペアである。 GANは、現実の映画、画像、テキストの印象的な模倣を生み出すことができました。 我々は、より堅牢なGAN訓練アルゴリズムを提案し、より少ない計算力を使用しながら、高品質な画像を生成するための安定性と優れた能力を実証的に示す。
  論文  参考訳（メタデータ） (2020-05-22T09:54:06Z)

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。