适应性泄漏整合和火神经元的重建,通过建立复杂的动力学来提高尖端神经网络的性能
IEEE transactions on neural networks and learning systems
|December 28, 2023
概括
我们介绍了一种新的适应性神经元模型,用于增强神经网络 (SNN),以增强信息处理. 该模型通过结合可学习参数和先进技术来提高SNN性能,以提高准确性.
科学领域:
- 计算神经科学是一种神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 尖端神经网络 (SNN) 由于其数字尖端信号,有望实现高效的信息处理.
- 现有的神经元模型往往过于简化了生物复杂性,缺乏适应性和多个时间常数.
- 在SNN开发中,生成适当的尖端信号和平衡火速仍然是SNN发展的关键挑战.
研究的目的:
- 为提高SNN性能提出一种新的自适应性泄漏整合与发射 (R-ALIF) 神经元模型.
- 提高SNN的信息表达和表示能力.
- 解决过度匹配问题,并增强SNN的神经形态数据集增强.
主要方法:
- 引入了一个突触裂时间常数来区分膜和突触泄漏.
- 开发了一个电压值调整方程,以平衡输出火速.
- 将三个时间常数转换为适应动力学的可学习参数.
- 优化了R-ALIF计算图,并使用了时间丢失 (TemDrop) 和数据增强.
主要成果:
- 该R-ALIF模型证明了在SNN中信息表达和表示的改进.
- 在CIFAR10-DVS上达到81.0%的最高1精度,在ASL-DVS上达到99.8%,在CIFAR-100上达到67.83%,时间步骤很少.
- 通过使用TemDrop方法,成功地缓解了SNNs中的过.
结论:
- R-ALIF神经元模型为SNN提供了一种更具生物学可信性和计算效率的方法.
- 这一进步促进了SNN更好的信息处理和准确性,特别是对于时空反向传播 (STBP) 培训.
- 提出的方法有助于更广泛地开发和应用先进的SNNs.


