論文の概要: Multi-compartment Neuron and Population Encoding improved Spiking Neural
Network for Deep Distributional Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2301.07275v1
- Date: Wed, 18 Jan 2023 02:45:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 17:04:31.941563
- Title: Multi-compartment Neuron and Population Encoding improved Spiking Neural
Network for Deep Distributional Reinforcement Learning
- Title（参考訳）: 深層分布強化学習のためのスパイクニューラルネットワークのマルチコンパートメントニューロンと集団符号化
- Authors: Yinqian Sun, Yi Zeng, Feifei Zhao and Zhuoya Zhao
- Abstract要約: スパイキングニューラルネットワーク(SNN)はエネルギー消費が著しく低く、マルチスケールの生物学的特性を取り入れるのに適している。
本稿では,脳にインスパイアされたSNNに基づく深部分布強化学習アルゴリズムと,生体にインスパイアされたマルチコンパートメントニューロン(MCN)モデルと集団符号化法の組み合わせを提案する。
- 参考スコア（独自算出の注目度）: 3.036382664997076
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Inspired by the information processing with binary spikes in the brain, the
spiking neural networks (SNNs) exhibit significant low energy consumption and
are more suitable for incorporating multi-scale biological characteristics.
Spiking Neurons, as the basic information processing unit of SNNs, are often
simplified in most SNNs which only consider LIF point neuron and do not take
into account the multi-compartmental structural properties of biological
neurons. This limits the computational and learning capabilities of SNNs. In
this paper, we proposed a brain-inspired SNN-based deep distributional
reinforcement learning algorithm with combination of bio-inspired
multi-compartment neuron (MCN) model and population coding method. The proposed
multi-compartment neuron built the structure and function of apical dendritic,
basal dendritic, and somatic computing compartments to achieve the
computational power close to that of biological neurons. Besides, we present an
implicit fractional embedding method based on spiking neuron population
encoding. We tested our model on Atari games, and the experiment results show
that the performance of our model surpasses the vanilla ANN-based FQF model and
ANN-SNN conversion method based Spiking-FQF models. The ablation experiments
show that the proposed multi-compartment neural model and quantile fraction
implicit population spike representation play an important role in realizing
SNN-based deep distributional reinforcement learning.
- Abstract（参考訳）: 脳内の二進スパイクによる情報処理に触発されて、スパイキングニューラルネットワーク(snn)はエネルギー消費が著しく減少し、マルチスケールの生物学的特性を取り込むのにより適している。
snnの基本情報処理ユニットであるスパイキングニューロンは、lif点ニューロンのみを考慮し、生物学的ニューロンの多成分構造特性を考慮しないほとんどのsnsにおいてしばしば単純化される。
これにより、SNNの計算能力と学習能力が制限される。
本稿では,生体インスパイアマルチコンパートメントニューロン(mcn)モデルと集団符号化法を組み合わせた脳インスパイアsnベースの深層分布強化学習アルゴリズムを提案する。
提案するマルチコンパートメントニューロンは、生体ニューロンに近い計算能力を達成するために、根尖樹状体、基底樹状体、体性計算区画の構造と機能を構築した。
さらに,スパイキングニューロン集団符号化に基づく暗黙的な分数埋め込み法を提案する。
我々は,Atariゲーム上で実験を行い,実験結果から,本モデルの性能が,Vanilla ANNベースのFQFモデルとANN-SNN変換方式のSpike-FQFモデルを上回ることを示した。
アブレーション実験により,SNNに基づく深部分布強化学習を実現する上で,提案したマルチコンパートメントニューラルモデルと擬似集団スパイク表現が重要な役割を果たすことが示された。
関連論文リスト
- Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - A survey on learning models of spiking neural membrane systems and spiking neural networks [0.0]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、特定の脳のような特性を持つ、生物学的にインスパイアされたニューラルネットワークのモデルである。
SNNでは、スパイクトレインとスパイクトレインを通してニューロン間の通信が行われる。
SNPSは形式的オートマトン原理に基づくSNNの分岐と見なすことができる。
論文 参考訳（メタデータ） (2024-03-27T14:26:41Z) - Deep Pulse-Coupled Neural Networks [31.65350290424234]
ニューラルネットワーク(SNN)は、ニューロンを利用して脳の情報処理機構をキャプチャする。
本研究では、複雑な力学、すなわちパルス結合型ニューラルネットワーク(PCNN)を用いた、より生物学的に実証可能なニューラルモデルを活用する。
我々は、SNNでよく使われるLIFニューロンをPCNNニューロンに置き換えることで、ディープパルス結合ニューラルネットワーク(DPCNN)を構築する。
論文 参考訳（メタデータ） (2023-12-24T08:26:00Z) - 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) - Exploiting Noise as a Resource for Computation and Learning in Spiking
Neural Networks [32.0086664373154]
本研究では,雑音型スパイクニューラルネットワーク(NSNN)とノイズ駆動学習規則(NDL)を紹介する。
NSNNは、スケーラブルでフレキシブルで信頼性の高い計算をもたらす理論的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-05-25T13:21:26Z) - Multi-scale Evolutionary Neural Architecture Search for Deep Spiking
Neural Networks [7.271032282434803]
スパイキングニューラルネットワーク(SNN)のためのマルチスケール進化型ニューラルネットワーク探索(MSE-NAS)を提案する。
MSE-NASは脳にインスパイアされた間接的評価機能であるRepresentational Dissimilarity Matrices(RDMs)を介して、個々のニューロンの操作、複数の回路モチーフの自己組織化の統合、およびグローバルなモチーフ間の接続を進化させる
提案アルゴリズムは,静的データセットとニューロモルフィックデータセットのシミュレーションステップを短縮して,最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2023-04-21T05:36:37Z) - Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a
Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。
本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。
我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文 参考訳（メタデータ） (2022-09-16T06:36:06Z) - SIT: A Bionic and Non-Linear Neuron for Spiking Neural Network [12.237928453571636]
スパイキングニューラルネットワーク(SNN)は、時間的情報処理能力と消費電力の低さから、研究者の関心を喚起している。
現在の最先端の手法は、ニューロンが単純な Leaky-Integrate-and-Fire (LIF) モデルに基づいて構築されているため、生物学的な可視性と性能を制限している。
高レベルの動的複雑さのため、現代のニューロンモデルがSNNの実践で実装されることはめったにない。
論文 参考訳（メタデータ） (2022-03-30T07:50:44Z) - 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) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z)
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。