可训练的参考尖峰通过监督学习改善了SNN的时间信息处理

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

背景情况:

• 尖端神经网络 (SNN) 模仿生物神经元,通过尖端进行通信.
• 由于有限的可训练参数,当前的SNN在性能方面往往落后于人工神经网络 (ANN).
• 大脑的复杂性为新的SNN参数提供了增强信息处理的潜力.

研究的目的:

• 引入"参考尖峰"作为SNNs的新可训练塑料参数.
• 调查参考尖峰对SNN时间信息处理的影响.
• 提高SNN在监督学习任务中的表现.

主要方法:

• 作为SNN中新型塑料参数的提议参考峰值.
• 实施了一个监督学习方案,用于参考尖峰培训,具有错误反向传播.
• 对时间数据集 (MNIST,时尚-MNIST,SHD) 的参考峰值进行评估的SNN.

主要成果:

• 参考尖峰显著提高了SNN内存容量,用于尖峰模式映射.
• 在MNIST,时尚-MNIST和SHD数据集上,分类准确性有所提高.
• 在SNN中展示了增强的时间信息处理能力.

结论:

• 参考尖峰是提高SNN性能的一个有希望的新参数.
• 这种方法有效地提高了SNN处理临时编码信息的能力.
• 这些发现表明,使用SNNs,可以走向更类似于大脑的AI功能.