在尖端神经网络中探索时间信息动态:快速时间高效训练
Changjiang Han1, Li-Juan Liu1, Hamid Reza Karimi2
1School of Railway Intelligent Engineering, Dalian Jiaotong University, Dalian, 116000, Liaoning, China.
Journal of neuroscience methods
|February 27, 2025
概括
本研究探讨了使用费舍尔信息的尖端神经网络 (SNN) 的时间信息动态. 我们介绍了稳定信息中心体 (SIC) 现象,并提出了用于高效神经形态计算的快速时间高效训练 (FTET) 算法.
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神经科学.
背景情况:
- 尖端神经网络 (SNN) 显示了大脑模拟和时间数据处理的前景.
- 现有的研究往往忽视神经形态数据集,而是专注于神经元模型和时间动态.
- 本研究研究了在神经形态数据集上训练的SNN内部的时间信息动态.
研究的目的:
- 在SNN培训期间量化时间信息动态.
- 分析诸如参数k之类的因素对这些动态的影响.
- 为SNNs引入一种新的训练算法.
主要方法:
- 利用费舍尔信息来测量SNN中的时间信息动态.
- 计算了信息中心点,以评估关键参数的影响.
- 在神经形态数据集上训练SNN.
主要成果:
- 确定了稳定信息中心体 (SIC) 现象,其特点是稳定和波动.
- 证明SIC和参数k之间存在很强的相关性.
- 基于这些发现,提出了基于这些发现的快速时间有效训练 (FTET) 算法.
结论:
- 在不同数据集中,SNN学习过程是不同的,为大脑学习机制提供了洞察力.
- 在以后的培训阶段,FTET算法将计算负载减少30%.
- 代码是公开的,尽管研究的范围仅限于特定的数据集和任务.


