論文の概要: Spiking Hyperdimensional Network: Neuromorphic Models Integrated with Memory-Inspired Framework

• arxiv url: http://arxiv.org/abs/2110.00214v1
• Date: Fri, 1 Oct 2021 05:01:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:23:59.746114
• Title: Spiking Hyperdimensional Network: Neuromorphic Models Integrated with Memory-Inspired Framework
• Title（参考訳）: スパイキングハイパー次元ネットワーク:メモリに触発されたフレームワークを組み込んだニューロモルフィックモデル
• Authors: Zhuowen Zou, Haleh Alimohamadi, Farhad Imani, Yeseong Kim, Mohsen Imani
• Abstract要約: 我々は、スパイキングニューラルネットワークと超次元コンピューティングを根本的に組み合わせた最初のフレームワークであるSpikeHDを提案する。 SpikeHDはスパイクニューラルネットワークを利用して、生のイベントベースのスパイクデータの空間的および時間的相関を保存することで、低レベルの特徴を抽出する。 ベンチマーク分類問題に対する評価の結果,SpikeHDはSNNアーキテクチャと比較して以下の利点があることがわかった。
• 参考スコア（独自算出の注目度）: 8.910420030964172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, brain-inspired computing models have shown great potential to outperform today's deep learning solutions in terms of robustness and energy efficiency. Particularly, Spiking Neural Networks (SNNs) and HyperDimensional Computing (HDC) have shown promising results in enabling efficient and robust cognitive learning. Despite the success, these two brain-inspired models have different strengths. While SNN mimics the physical properties of the human brain, HDC models the brain on a more abstract and functional level. Their design philosophies demonstrate complementary patterns that motivate their combination. With the help of the classical psychological model on memory, we propose SpikeHD, the first framework that fundamentally combines Spiking neural network and hyperdimensional computing. SpikeHD generates a scalable and strong cognitive learning system that better mimics brain functionality. SpikeHD exploits spiking neural networks to extract low-level features by preserving the spatial and temporal correlation of raw event-based spike data. Then, it utilizes HDC to operate over SNN output by mapping the signal into high-dimensional space, learning the abstract information, and classifying the data. Our extensive evaluation on a set of benchmark classification problems shows that SpikeHD provides the following benefit compared to SNN architecture: (1) significantly enhance learning capability by exploiting two-stage information processing, (2) enables substantial robustness to noise and failure, and (3) reduces the network size and required parameters to learn complex information.
• Abstract（参考訳）: 近年、脳にインスパイアされたコンピューティングモデルは、今日のディープラーニングソリューションを堅牢性とエネルギー効率で上回る可能性を示している。 特に、スパイキングニューラルネットワーク(SNN)と超次元コンピューティング(HDC)は、効率的で堅牢な認知学習を可能にする有望な結果を示している。 成功にもかかわらず、これらの2つの脳にインスパイアされたモデルは、強さが異なる。 SNNは人間の脳の物理的特性を模倣するが、HDCはより抽象的で機能的なレベルで脳をモデル化する。 彼らのデザイン哲学は、それらの組み合わせを動機づける相補的なパターンを示している。 メモリ上の古典心理学モデルの助けを借りて、スパイキングニューラルネットワークと超次元コンピューティングを根本的に組み合わせた最初のフレームワークであるSpikeHDを提案する。 spikehdは、スケーラブルで強力な認知学習システムを生成し、脳機能を模倣する。 spikehdはスパイクニューラルネットワークを利用して、生のイベントベースのスパイクデータの時間的および時間的相関を保ちながら、低レベルの特徴を抽出する。 次に、HDCを用いて信号の高次元空間へのマッピング、抽象情報学習、データの分類を行い、SNN出力上で動作させる。 その結果,(1)二段階情報処理の活用による学習能力の大幅な向上,(2)ノイズや障害に対する強固性の実現,(3)複雑な情報を学ぶためのネットワークサイズとパラメータの削減,などが得られた。

関連論文リスト

• Unsupervised representation learning with Hebbian synaptic and structural plasticity in brain-like feedforward neural networks [0.0]
  教師なし表現学習が可能な脳様ニューラルネットワークモデルを導入,評価する。 このモデルは、一般的な機械学習ベンチマークのさまざまなセットでテストされた。
  論文  参考訳（メタデータ） (2024-06-07T08:32:30Z)
• Spiking representation learning for associative memories [0.0]
  本稿では、教師なし表現学習と連想記憶操作を行う新しい人工スパイクニューラルネットワーク(SNN)を提案する。 モデルの構造は新皮質列状構造から派生し,隠れた表現を学習するためのフィードフォワードプロジェクションと,連想記憶を形成するための繰り返しプロジェクションを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-06-05T08:30:11Z)
• SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence [51.6943465041708]
  スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。 我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
  論文  参考訳（メタデータ） (2023-10-25T13:15:17Z)
• To Spike or Not To Spike: A Digital Hardware Perspective on Deep Learning Acceleration [4.712922151067433]
  ディープラーニングモデルがスケールするにつれて、コンピュータビジョンから自然言語処理まで、ドメイン間の競争が激化する。 生物学的脳のパワー効率は、大規模深層学習(DL)モデルよりも優れている。 ニューロモルフィックコンピューティングは、DLモデルの効率を改善するために、脳の操作を模倣しようとする。
  論文  参考訳（メタデータ） (2023-06-27T19:04:00Z)
• 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)
• Exploiting High Performance Spiking Neural Networks with Efficient Spiking Patterns [4.8416725611508244]
  スパイキングニューラルネットワーク(SNN)は、離散スパイクシーケンスを使用して情報を伝達し、脳の情報伝達を著しく模倣する。 本稿では、動的バーストパターンを導入し、短時間の性能と動的時間的性能のトレードオフを可能にするLeaky Integrate and Fire or Burst(LIFB)ニューロンを設計する。
  論文  参考訳（メタデータ） (2023-01-29T04:22:07Z)
• Hyperdimensional Computing vs. Neural Networks: Comparing Architecture and Learning Process [3.244375684001034]
  我々は、HDCとニューラルネットワークの比較研究を行い、HDCを前もって訓練された非常にコンパクトなニューラルネットワークから引き出すことができる異なる角度を提供する。 実験の結果,従来のHDCモデルと学習ベースのHDCモデルから,ニューラルネットワーク由来のHDCモデルを最大21%,精度5%向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-07-24T21:23:50Z)
• 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)
• CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
  神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。 我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
  論文  参考訳（メタデータ） (2022-03-31T04:44:28Z)
• Deep Reinforcement Learning with Spiking Q-learning [51.386945803485084]
  スパイクニューラルネットワーク(SNN)は、少ないエネルギー消費で人工知能(AI)を実現することが期待されている。 SNNと深部強化学習(RL)を組み合わせることで、現実的な制御タスクに有望なエネルギー効率の方法を提供する。
  論文  参考訳（メタデータ） (2022-01-21T16:42:11Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)

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。