論文の概要: BioLCNet: Reward-modulated Locally Connected Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2109.05539v1
• Date: Sun, 12 Sep 2021 15:28:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:54:16.000365
• Title: BioLCNet: Reward-modulated Locally Connected Spiking Neural Networks
• Title（参考訳）: biolcnet: 報酬調整型ローカル接続スパイクニューラルネットワーク
• Authors: Hafez Ghaemi, Erfan Mirzaei, Mahbod Nouri, Saeed Reza Kheradpisheh
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.6193838300896449
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent studies have shown that convolutional neural networks (CNNs) are not the only feasible solution for image classification. Furthermore, weight sharing and backpropagation used in CNNs do not correspond to the mechanisms present in the primate visual system. To propose a more biologically plausible solution, we designed a locally connected spiking neural network (SNN) trained using spike-timing-dependent plasticity (STDP) and its reward-modulated variant (R-STDP) learning rules. The use of spiking neurons and local connections along with reinforcement learning (RL) led us to the nomenclature BioLCNet for our proposed architecture. Our network consists of a rate-coded input layer followed by a locally connected hidden layer and a decoding output layer. A spike population-based voting scheme is adopted for decoding in the output layer. We used the MNIST dataset to obtain image classification accuracy and to assess the robustness of our rewarding system to varying target responses.
• Abstract（参考訳）: 近年の研究では、畳み込みニューラルネットワーク(CNN)が画像分類の可能な唯一のソリューションではないことが示されている。 さらに、cnnで使用される重量共有とバックプロパゲーションは、霊長類視覚系に存在するメカニズムとは一致しない。 より生物学的に妥当なソリューションを提案するため,スパイク刺激依存型可塑性(STDP)と報酬変調型学習規則(R-STDP)を用いて訓練した局所接続型スパイクニューラルネットワーク(SNN)を設計した。 スパイクニューロンと局所接続と強化学習(RL)を併用することにより,提案アーキテクチャの命名法としてBioLCNetを開発した。 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。 出力層における復号化には、スパイク人口に基づく投票方式を採用する。 mnistデータセットを用いて画像分類精度を求め,ターゲット応答の変化に対する報奨システムのロバスト性を評価する。

関連論文リスト

• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• An STDP-Based Supervised Learning Algorithm for Spiking Neural Networks [20.309112286222238]
  Spiking Neural Networks (SNN)は、より生物学的に可能な脳モデルを提供する。 本稿では,Leaky Integrate-and-fire ニューロンからなる階層型 SNN に対して,Spike-Timing Dependent Plasticity (STDP) に基づく教師付き学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-07T13:40:09Z)
• Domain-informed neural networks for interaction localization within astroparticle experiments [6.157382820537719]
  本研究は、実験粒子物理学のためのドメインインフォームドニューラルネットワークアーキテクチャを提案する。 粒子相互作用の局在化と時間射影チャンバ(TPC)技術をダークマター研究の例として用いている。
  論文  参考訳（メタデータ） (2021-12-15T09:42:04Z)
• Implementing a foveal-pit inspired filter in a Spiking Convolutional Neural Network: a preliminary study [0.0]
  我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。 このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。 ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
  論文  参考訳（メタデータ） (2021-05-29T15:28:30Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
  そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。 提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。 また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
  論文  参考訳（メタデータ） (2021-02-03T09:30:45Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• File Classification Based on Spiking Neural Networks [0.5065947993017157]
  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。
  論文  参考訳（メタデータ） (2020-04-08T11:50:29Z)

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。