論文の概要: Event-Driven Tactile Learning with Various Location Spiking Neurons
- arxiv url: http://arxiv.org/abs/2210.04277v2
- Date: Tue, 11 Oct 2022 02:34:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 11:13:13.630857
- Title: Event-Driven Tactile Learning with Various Location Spiking Neurons
- Title（参考訳）: 種々の位置スパイクニューロンを用いたイベント駆動触覚学習
- Authors: Peng Kang, Srutarshi Banerjee, Henry Chopp, Aggelos Katsaggelos,
Oliver Cossairt
- Abstract要約: イベント駆動学習は、既存のスパイキングニューロンの表現能力が限られているため、まだ初期段階にある。
イベントベースデータの特徴を新たな方法で抽出する「位置スパイクニューロン」モデルを提案する。
新たな位置スパイクニューロンを利用して、イベント駆動データにおける複雑な触覚・時間的依存を捉えるモデルを提案する。
- 参考スコア（独自算出の注目度）: 5.822511654546528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tactile sensing is essential for a variety of daily tasks. New advances in
event-driven tactile sensors and Spiking Neural Networks (SNNs) spur the
research in related fields. However, SNN-enabled event-driven tactile learning
is still in its infancy due to the limited representation abilities of existing
spiking neurons and high spatio-temporal complexity in the data. In this paper,
to improve the representation capability of existing spiking neurons, we
propose a novel neuron model called "location spiking neuron", which enables us
to extract features of event-based data in a novel way. Specifically, based on
the classical Time Spike Response Model (TSRM), we develop the Location Spike
Response Model (LSRM). In addition, based on the most commonly-used Time Leaky
Integrate-and-Fire (TLIF) model, we develop the Location Leaky
Integrate-and-Fire (LLIF) model. By exploiting the novel location spiking
neurons, we propose several models to capture the complex spatio-temporal
dependencies in the event-driven tactile data. Extensive experiments
demonstrate the significant improvements of our models over other works on
event-driven tactile learning and show the superior energy efficiency of our
models and location spiking neurons, which may unlock their potential on
neuromorphic hardware.
- Abstract（参考訳）: 触覚センシングは、様々な日常業務に不可欠である。
イベント駆動触覚センサとスパイキングニューラルネットワーク(SNN)の新たな進歩は、関連する分野の研究を加速させる。
しかし、既存のスパイキングニューロンの表現能力の制限とデータの時空間的複雑さのため、snsがイベント駆動型触覚学習はまだ初期段階にある。
本稿では,既存のスパイキングニューロンの表現能力を向上させるために,イベントベースデータの特徴を新しい方法で抽出できる「位置スパイキングニューロン」と呼ばれる新しいニューロンモデルを提案する。
具体的には,従来の時間スパイク応答モデル(tsrm)に基づいて位置スパイク応答モデル(lsrm)を開発した。
さらに、最もよく使われているTime Leaky Integrate-and-Fire(TLIF)モデルに基づいて、Location Leaky Integrate-and-Fire(LLIF)モデルを開発する。
新たな位置スパイクニューロンを利用して、イベント駆動触覚データにおける複雑な時空間依存性を捉えるモデルを提案する。
広範囲にわたる実験は、イベント駆動触覚学習に関する他の研究よりもモデルの大幅な改善を示し、我々のモデルと位置スパイクニューロンの優れたエネルギー効率を示し、ニューロモルフィックハードウェアのポテンシャルを解き放つ可能性がある。
関連論文リスト
- Autaptic Synaptic Circuit Enhances Spatio-temporal Predictive Learning of Spiking Neural Networks [23.613277062707844]
Spiking Neural Networks (SNNs) は、生物学的ニューロンで見られる統合ファイアリーク機構をエミュレートする。
既存のSNNは、主にIntegrate-and-Fire Leaky(LIF)モデルに依存している。
本稿では,S-patioTemporal Circuit (STC) モデルを提案する。
論文 参考訳（メタデータ） (2024-06-01T11:17:27Z) - 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) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - Event-Driven Tactile Learning with Location Spiking Neurons [5.822511654546528]
スパイキングニューラルネットワーク(SNN)は、イベント駆動の触覚学習を可能にする。
我々は「位置スパイクニューロン」と呼ばれる新しいニューロンモデルを開発する。
イベント駆動学習に関する他の研究よりも、モデルのエネルギー効率が優れていることを示す。
論文 参考訳（メタデータ） (2022-07-23T12:15:43Z) - Simple and complex spiking neurons: perspectives and analysis in a
simple STDP scenario [0.7829352305480283]
スパイキングニューラルネットワーク(SNN)は、生物学や神経科学にヒントを得て、高速で効率的な学習システムを構築する。
この研究は、文学における様々なニューロンモデルを考察し、単変数で効率的な計算ニューロンモデルを選択し、様々な種類の複雑さを提示する。
我々は, LIF, Quadratic I&F (QIF) および Exponential I&F (EIF) の3つの単純なI&Fニューロンモデルの比較研究を行い, より複雑なモデルの使用によってシステムの性能が向上するかどうかを検証した。
論文 参考訳（メタデータ） (2022-06-28T10:01:51Z) - STNDT: Modeling Neural Population Activity with a Spatiotemporal
Transformer [19.329190789275565]
我々は、個々のニューロンの応答を明示的にモデル化するNDTベースのアーキテクチャであるSpatioTemporal Neural Data Transformer (STNDT)を紹介する。
本モデルは,4つのニューラルデータセット間での神経活動の推定において,アンサンブルレベルでの最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2022-06-09T18:54:23Z) - Event-based Video Reconstruction via Potential-assisted Spiking Neural
Network [48.88510552931186]
バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。
完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。
スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
論文 参考訳（メタデータ） (2022-01-25T02:05:20Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳（メタデータ） (2021-04-22T04:01:32Z) - Neuromorphic Algorithm-hardware Codesign for Temporal Pattern Learning [11.781094547718595]
複雑な空間時間パターンを学習するためにSNNを訓練できるLeaky IntegrateとFireニューロンの効率的なトレーニングアルゴリズムを導出する。
我々は,ニューロンとシナプスのメムリスタに基づくネットワークのためのCMOS回路実装を開発した。
論文 参考訳（メタデータ） (2021-04-21T18:23:31Z) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z)
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。