信号到事件编码参数选择用于多事件分类与尖端神经网络
Mateusz Pabian1, Dominik Rzepka1, Mirosław Pawlak1,2
1Department of Measurement and Electronics, AGH University of Krakow, Kraków, Poland.
Frontiers in neuroscience
|July 8, 2025
概括
本研究介绍了一种基于事件的信号编码的最佳方法,显著减少机器学习模型的数据样本,例如尖端神经网络 (SNN). 这种方法提高了分类准确性,同时最大限度地减少了数据量.
科学领域:
- 信号处理 信号处理
- 机器学习 机器学习
- 事件驱动系统 事件驱动系统
背景情况:
- 事件驱动系统通过离散时间事件流或编码模拟信号来处理数据.
- 尖端神经网络 (SNN) 是一类机器学习模型,适合基于事件的数据.
- 有效的信号编码对于优化SNN性能和减少计算负载至关重要.
研究的目的:
- 开发和验证一种最佳基于事件的信号编码参数选择方法.
- 在分类性能和数据减少方面评估拟议的编码方法的效率.
- 用不同的基于事件的编码方案和机器学习模型来证明该方法的有效性.
主要方法:
- 使用贝叶斯优化过程来选择编码参数.
- 一个k-近邻 (k-NN) 分类器被用来评估事件流距离和指导参数选择.
- 该方法使用车辆监控传感器数据和三个编码方案进行了验证:水平交叉,发送-delta和漏洞整合-and-fire.
主要成果:
- 优化的编码参数在k-NN分类中达到0.912的平均精度.
- 与经典的周期性离散时间信号表示相比,提出的方法减少了97.8%的样本数量.
- 在编码数据上训练的尖端神经网络 (SNN) 分类器达到高达0.946的平均精度,超过了k-NN基线.
结论:
- 无模型的信号到事件编码参数选择方法对于优化数据表示是有效的.
- 这种方法显示出训练复杂的机器学习模型 (包括SNN) 的巨大潜力,数据需求减少.
- 经过验证的方法为各种应用中高效的事件驱动数据处理提供了有前途的解决方案.
相关概念视频
01:28Integration of Synaptic Events
Synaptic integration mainly includes the summation of graded potentials. Graded potentials, regardless of their type, cause subtle alterations in membrane voltage, resulting in either depolarization or hyperpolarization. These incremental changes, when combined or summed, can propel the neuron toward its threshold. Consider, for example, a membrane experiencing a +15 mV shift, causing it to depolarize from -70 mV to -55 mV. In this scenario, graded potentials govern the membrane's ability to...
01:30Classification of Signals
In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...