論文の概要: Motif-topology improved Spiking Neural Network for the Cocktail Party
Effect and McGurk Effect
- arxiv url: http://arxiv.org/abs/2211.07641v1
- Date: Sat, 12 Nov 2022 08:23:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 13:14:24.082759
- Title: Motif-topology improved Spiking Neural Network for the Cocktail Party
Effect and McGurk Effect
- Title（参考訳）: モチフトポロジーによるカクテルパーティー効果とマガーク効果のためのスパイクニューラルネットワークの改良
- Authors: Shuncheng Jia and Tielin Zhang and Ruichen Zuo and Bo Xu
- Abstract要約: ニューラルネットワーク(ANN)とスパイクニューラルネットワーク(SNN)の複雑な機能形成において、ネットワークアーキテクチャと学習原則が鍵を握っている。
本稿では,効率的なマルチ感覚統合と認知現象シミュレーションのためのモティフトポロジー改善SNN(M-SNN)を提案する。
- 参考スコア（独自算出の注目度）: 5.63840716873115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network architectures and learning principles are playing key in forming
complex functions in artificial neural networks (ANNs) and spiking neural
networks (SNNs). SNNs are considered the new-generation artificial networks by
incorporating more biological features than ANNs, including dynamic spiking
neurons, functionally specified architectures, and efficient learning
paradigms. Network architectures are also considered embodying the function of
the network. Here, we propose a Motif-topology improved SNN (M-SNN) for the
efficient multi-sensory integration and cognitive phenomenon simulations. The
cognitive phenomenon simulation we simulated includes the cocktail party effect
and McGurk effect, which are discussed by many researchers. Our M-SNN
constituted by the meta operator called network motifs. The source of 3-node
network motifs topology from artificial one pre-learned from the spatial or
temporal dataset. In the single-sensory classification task, the results showed
the accuracy of M-SNN using network motif topologies was higher than the pure
feedforward network topology without using them. In the multi-sensory
integration task, the performance of M-SNN using artificial network motif was
better than the state-of-the-art SNN using BRP (biologically-plausible reward
propagation). Furthermore, the M-SNN could better simulate the cocktail party
effect and McGurk effect with lower computational cost. We think the artificial
network motifs could be considered as some prior knowledge that would
contribute to the multi-sensory integration of SNNs and provide more benefits
for simulating the cognitive phenomenon.
- Abstract（参考訳）: ニューラルネットワーク(ANN)とスパイクニューラルネットワーク(SNN)の複雑な機能形成において、ネットワークアーキテクチャと学習原則が重要な役割を担っている。
SNNは、動的スパイキングニューロン、機能的に指定されたアーキテクチャ、効率的な学習パラダイムなど、ANNよりも生物学的特徴を取り入れた新しい人工ネットワークであると考えられている。
ネットワークアーキテクチャは、ネットワークの機能の具現化も考慮されている。
本稿では,マルチ感覚統合と認知現象シミュレーションのためのモチーフトポロジー改善SNN(M-SNN)を提案する。
私たちがシミュレーションした認知現象シミュレーションにはカクテルパーティ効果とマクグルク効果が含まれており、これは多くの研究者によって議論されている。
我々のM-SNNは,ネットワークモチーフと呼ばれるメタ演算子によって構成されている。
3ノードネットワークの源は、空間的または時間的データセットから事前学習された人工的ネットワークからのトポロジーである。
単一感覚分類課題では,ネットワークモチーフトポロジを用いたM-SNNの精度は,使用せずに純粋なフィードフォワードネットワークトポロジよりも高かった。
多感覚統合タスクにおいて,人工ネットワークモチーフを用いたM-SNNの性能は,BRPを用いた最先端SNNよりも優れていた。
さらに、M-SNNは、より少ない計算コストでカクテルパーティー効果とマガーク効果をシミュレートできる。
人工ネットワークのモチーフは、SNNの多感覚統合に寄与し、認知現象をシミュレートする利点を提供する、いくつかの先行知識として考えられる。
関連論文リスト
- Scalable Mechanistic Neural Networks [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳（メタデータ） (2024-10-08T14:27:28Z) - 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) - 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) - Linear Leaky-Integrate-and-Fire Neuron Model Based Spiking Neural
Networks and Its Mapping Relationship to Deep Neural Networks [7.840247953745616]
スパイキングニューラルネットワーク(SNN)は、生物学的可視性や教師なし学習能力など、脳にインスパイアされた機械学習アルゴリズムである。
本稿では,リニアリーキー・インテグレート・アンド・ファイア・モデル(LIF/SNN)の生物学的パラメータとReLU-AN/Deep Neural Networks(DNN)のパラメータとの正確な数学的マッピングを確立する。
論文 参考訳（メタデータ） (2022-05-31T17:02:26Z) - 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) - Deep Learning in Spiking Phasor Neural Networks [0.6767885381740952]
スパイキングニューラルネットワーク(SNN)は、低レイテンシで低消費電力のニューロモルフィックハードウェアで使用するために、ディープラーニングコミュニティの注目を集めている。
本稿では,Spking Phasor Neural Networks(SPNN)を紹介する。
SPNNは複雑に評価されたディープニューラルネットワーク(DNN)に基づいており、スパイク時間による位相を表す。
論文 参考訳（メタデータ） (2022-04-01T15:06:15Z) - Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文 参考訳（メタデータ） (2022-03-18T07:05:27Z) - Motif-topology and Reward-learning improved Spiking Neural Network for
Efficient Multi-sensory Integration [5.161352821775507]
効率的なマルチ感覚統合のためのMotif-topology and Reward-learning improved Spiking Neural Network (MR-SNN)を提案する。
実験の結果,Motifsを用いない従来のSNNに比べて,MR-SNNの精度が高く,強靭性も高いことがわかった。
提案した報奨学習パラダイムは生物学的に妥当であり,視覚的・聴覚的感覚信号の相違による認知的マガーク効果をよりよく説明することができる。
論文 参考訳（メタデータ） (2022-02-11T02:07:44Z) - Pruning of Deep Spiking Neural Networks through Gradient Rewiring [41.64961999525415]
スパイキングニューラルネットワーク(SNN)は、その生物学的妥当性とニューロモルフィックチップの高エネルギー効率により、非常に重要視されている。
ほとんどの既存の方法は、ANNsとSNNsの違いを無視するSNNsに人工ニューラルネットワーク(ANNs)のプルーニングアプローチを直接適用する。
本稿では,ネットワーク構造を無訓練でシームレスに最適化可能な,snsの接続性と重み付けの合同学習アルゴリズムgradle rewiring (gradr)を提案する。
論文 参考訳（メタデータ） (2021-05-11T10:05:53Z) - Accurate and efficient time-domain classification with adaptive spiking
recurrent neural networks [1.8515971640245998]
スパイクニューラルネットワーク(SNN)は、より生物学的に実行可能で、より強力なニューラルネットワークモデルとして研究されている。
本稿では、新規なサロゲート勾配と、チューナブルおよび適応性スピッキングニューロンの繰り返しネットワークがSNNの最先端を生み出す様子を示す。
論文 参考訳（メタデータ） (2021-03-12T10:27:29Z) - 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)
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。