在基于事件的细胞计量数据集上训练的尖端网络中进行替代梯度学习
Optics express
|June 11, 2024
概括
这项研究将尖端神经网络 (SNN) 与基于事件的视觉传感器集成,用于在流动细胞计学中进行先进的微粒子分类. 这种新方法在四种细胞类型中达到99%以上的准确性,改进了以前的模型.
科学领域:
- 生物医学工程 生物医学工程
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 尖端神经网络 (SNN) 模仿生物大脑功能.
- 基于事件的视觉传感器复制生物眼睛机制.
- 之前的研究使用对二进制细胞分类的逻辑回归实现了>98%的准确性.
研究的目的:
- 集成SNN和基于事件的视觉传感器用于微粒子分类.
- 提高对具有微妙形态差异的更广泛种类细胞的分类准确性.
- 解决SNN培训中的挑战,例如消失梯度.
主要方法:
- 利用与基于事件的视觉传感器集成的尖端神经网络 (SNN).
- 应用了代用梯度方法来克服在SNN训练期间消失的梯度问题.
- 分析内部网络动态以提高性能.
主要成果:
- 在测试数据上实现了超过99%的分类准确性,用于四类微粒子问题.
- 通过使用代用梯度方法成功训练SNNs.
- 通过探索内部动态来提高网络准确性和稀疏性.
结论:
- 结合SNN和基于事件的视觉传感器,为无标签的流动细胞计提供了一个强大的方法.
- 替代梯度方法有效地使SNN能够训练复杂的分类任务.
- 分析SNN内部动态可以进一步优化分类性能和效率.
