白噪声对训练有素的人工神经网络的影响:性能和降噪策略
1Institute of Physics, Saratov State University, Astrakhanskaya Str. 83, Saratov 410012, Russia.
Chaos (Woodbury, N.Y.)
|May 8, 2024
概括
硬件神经网络提供速度和效率,但面临着噪音挑战. 降噪技术有效地减轻了分类任务中的这些问题,保持了网络的准确性.
科学领域:
- 神经形态工程的神经形态工程
- 计算神经科学是一种计算神经科学.
- 人工智能硬件是人工智能的硬件.
背景情况:
- 使用物理合和模拟神经元的硬件神经网络正在获得突出地位.
- 这些系统比数字同行提供了更高的速度和能源效率.
- 然而,它们容易受到内部噪声的影响,可能会影响性能.
研究的目的:
- 调查加法和乘法高斯白噪声对硬件神经网络准确性的影响.
- 为了评估分类任务中的噪声影响,使用软max读取层.
- 适应和评估这些模拟计算系统的降噪技术.
主要方法:
- 在神经元水平上模拟添加和乘法高斯白噪声.
- 实施针对分类任务量身定制的降噪策略.
- 在噪音条件下分析硬件神经网络的性能.
主要成果:
- 添加式和乘数式噪声都显著影响网络准确性.
- 降噪技术在减轻性能下降方面表现出很高的有效性.
- 在读取层中存在软max函数会影响噪声的影响.
结论:
- 调整的降噪方法对于保持硬件神经网络的可靠性至关重要.
- 这些技术对于实际应用至关重要,尤其是分类任务.
- 通过适当的缓解策略,可以使硬件神经网络对噪声具有稳健性.
