在使用基于电流的自适应性LIF神经元的第一个尖峰编码中提高了准确性
Siying Liu1, Pier Luigi Dragotti1
1Communications and Signal Processing Group, Department of Electrical and Electronic Engineering, Imperial College London, London, SW7 2AZ, United Kingdom.
概括
这项研究通过使用一种新型的自适应神经元,增强了神经网络 (SNN) 中的第一尖 (FS) 编码. 改进的方法提高了审计分类的准确性,并减少了决策延迟.
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) 使用第一个尖端 (FS) 时间来有效处理信息.
- 目前的FS编码方法有希望,但落后于复杂的时间数据的先进技术.
- 提高神经动态是释放FS编码的全部潜力的关键.
研究的目的:
- 提高SNN中FS编码的性能,用于听觉数据分类.
- 为了改善神经动力学,以便更好地进行时间相关性和记忆保存.
- 为了减少使用FS编码的SNN的决策延迟.
主要方法:
- 引入基于电流的适应性LIF神经元 (CuAdLIF) 具有延迟反应和膜潜力的适应.
- 制定战略以尽量减少决策延迟.
- 对FS编码进行适应性培训的实施.
- 对听觉数据集的评估.
主要成果:
- CuAdLIF神经元显著改善了时间特征的提取.
- 与以前的方法相比,FS编码的准确性大大提高了.
- 建议的策略有效地减少了SNN的输出时间延迟.
- 增强的SNN在听觉分类任务中表现出卓越的表现.
结论:
- CuAdLIF神经元和适应性策略代表了SNN中FS编码的重大进展.
- 这种方法为处理时间信息提供了更有效,更准确的方法,特别是在听觉领域.
- 这些发现为在现实世界中应用更复杂,更快速的SNNs铺平了道路.
