論文の概要: Impact of spiking neurons leakages and network recurrences on
event-based spatio-temporal pattern recognition
- arxiv url: http://arxiv.org/abs/2211.07761v1
- Date: Mon, 14 Nov 2022 21:34:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 14:00:20.933916
- Title: Impact of spiking neurons leakages and network recurrences on
event-based spatio-temporal pattern recognition
- Title(参考訳): 時空間パターン認識におけるスパイキングニューロンの漏洩とネットワーク再帰の影響
- Authors: Mohamed Sadek Bouanane, Dalila Cherifi, Elisabetta Chicca, Lyes Khacef
- Abstract要約: ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。
スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spiking neural networks coupled with neuromorphic hardware and event-based
sensors are getting increased interest for low-latency and low-power inference
at the edge. However, multiple spiking neuron models have been proposed in the
literature with different levels of biological plausibility and different
computational features and complexities. Consequently, there is a need to
define the right level of abstraction from biology in order to get the best
performance in accurate, efficient and fast inference in neuromorphic hardware.
In this context, we explore the impact of synaptic and membrane leakages in
spiking neurons. We confront three neural models with different computational
complexities using feedforward and recurrent topologies for event-based visual
and auditory pattern recognition. Our results show that, in terms of accuracy,
leakages are important when there are both temporal information in the data and
explicit recurrence in the network. In addition, leakages do not necessarily
increase the sparsity of spikes flowing in the network. We also investigate the
impact of heterogeneity in the time constant of leakages, and the results show
a slight improvement in accuracy when using data with a rich temporal
structure. These results advance our understanding of the computational role of
the neural leakages and network recurrences, and provide valuable insights for
the design of compact and energy-efficient neuromorphic hardware for embedded
systems.
- Abstract(参考訳): ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。
しかし、複数のスパイキングニューロンモデルが生物学的妥当性のレベルと計算特性と複雑さの異なる文献で提案されている。
したがって、神経形ハードウェアの精度、効率、高速推論において最高の性能を得るためには、生物学からの適切な抽象化レベルを定義する必要がある。
この文脈では、スパイクニューロンにおけるシナプスおよび膜漏出の影響について検討する。
我々は,イベントベース視覚・聴覚パターン認識のためのフィードフォワードとリカレントトポロジーを用いて,計算の複雑さが異なる3つのニューラルモデルに挑戦する。
その結果,データの時間的情報とネットワークの明示的な再帰性の両方がある場合,正確性の観点からは漏洩が重要であることがわかった。
さらに、漏洩は必ずしもネットワーク内を流れるスパイクの空間を増大させるとは限らない。
また, 漏洩の時間定数における不均一性の影響についても検討し, 豊富な時間構造を持つデータを用いた場合の精度は若干向上した。
これらの結果は,神経リークとネットワーク再発の計算的役割を理解し,組み込みシステムのためのコンパクトでエネルギー効率の良いニューロモルフィックハードウェアの設計に有用な知見を与える。
関連論文リスト
- Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文 参考訳(メタデータ) (2022-11-22T20:44:28Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-06T13:04:45Z) - Physically constrained neural networks to solve the inverse problem for
neuron models [0.29005223064604074]
システム生物学とシステム神経生理学は、生体医学科学における多くの重要な応用のための強力なツールである。
ディープニューラルネットワークの分野における最近の進歩は、非線形で普遍的な近似を定式化する可能性を示している。
論文 参考訳(メタデータ) (2022-09-24T12:51:15Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - A Modulation Layer to Increase Neural Network Robustness Against Data
Quality Issues [18.931673863768626]
欠落したデータは、複雑なパターンの正確さ、校正、特徴属性に影響を与える。
したがって、欠落データに対して機械学習モデルを堅牢にすることは、実践的な応用に不可欠である。
我々は、欠落したデータの影響を軽減するために、新しいニューラルネットワーク修正を提案する。
論文 参考訳(メタデータ) (2021-07-19T01:29:16Z) - And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
この問題をより深く理解することで、情報がどのように処理され、ニューラルネットワークでエンコードされるかの理解を深めることができる。
敵対的回復力を高めるという私たちの考えは、人工ニューロンがAND様ニューロンとOR様ニューロンの2つの広いカテゴリーに分けられるという観察から始まります。
我々の仮説は、十分な数のOR様ニューロンのネットワークの存在は、分類「脆さ」につながり、ネットワークが敵対攻撃に対する感受性を高めることができるということです。
論文 参考訳(メタデータ) (2021-02-15T08:19:05Z) - Information contraction in noisy binary neural networks and its
implications [11.742803725197506]
我々は、各ニューロンが不正な出力を発生させる確率がゼロでない、ノイズの多いバイナリニューラルネットワークを考察する。
私たちの重要な発見は、ノイズの多いニューラルネットワークで必要なニューロンの数が少ないことです。
本稿では,情報理論のレンズを通して,ノイズの多い情報処理システムに対する新たな理解を提供する。
論文 参考訳(メタデータ) (2021-01-28T00:01:45Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。