复数深度神经网络的神经元同步
通过改变丰富的时间参数,如时间常数和延迟,我们展示了网络在处理具有时间结构的任务时更加轻松和稳健的能力,并且在处理输入和权重中的噪声时,调整时间参数的优势将在神经形态学硬件设计中发挥作用。
Apr, 2024
本文探讨了生物神经回路和人工神经网络中的并行处理路径对神经计算的影响,并提出了一种机制,通过在深度学习中引入上下文感应性偏差,优化神经网络的性能,实现了对神经元形成的调节和驱动网络活动的平衡,将此方法运用于 CIFAR-100 和 Fashion-MNIST 数据集,大幅提高了网络性能,而无需增加网络大小。
Nov, 2017
通过应用局部、始终开启的可塑性规则,我们能够在由两个群体组成的递归网络中学习复杂序列,我们的模型具有资源高效性,仅需少量神经元即可学习复杂序列,我们通过鸟鸣学习的模拟中展示了这些特点,在该模拟中,我们的网络首先学习了一个长的非马尔可夫序列,尽管存在外部干扰,它们能够稳健地复现此序列。
Feb, 2024
在神经网络中,同步现象的研究已被广泛研究,本文研究同步的另一种作用:即所谓的 “精度集体增强”。我们证明,通过同步非线性动态系统,塞斯保护系统免受噪音的影响,从而实现噪音的抵消。
Dec, 2007
本文提出了一种具有生物特征的尖峰神经网络模型,采用相对时间编码方案,使用 BPROP 算法进行监督式训练,并在 MNIST 数据集等分类任务中成功地训练了网络,结果表明该网络具有编码单个神经元时间信息的高计算能力,在视觉决策任务中取得了与人类决策类似的准确性 - 速度的平衡,为实现更复杂的具有生物启示的神经网络架构提供了有效的构建块。
Jul, 2019
提出一种训练算法,将 SNN 作为无限脉冲响应(IIR)滤波器的网络,以学习 SNN 的时空模式,并构建用于合成和公共数据集的联想记忆和分类器,其准确度优于最先进的方法。
Feb, 2020
通过模仿具有环境感知性的新皮层神经元的能力,使用视频信息作为上下文来引导音频信号处理,既能提高深度学习在音频 - 视觉处理方面的处理效能,又能提高处理效率和能源利用效率。
Jul, 2022
本文提出利用短期可塑性为脉冲神经网络提供与非脉冲神经网络不同的计算优势,并使用节约的局部突触可塑性模拟温度相关技术来解决网络计算困难性问题。这些网络在处理生成任务时表现出出色性能,在任务不平衡的情况下,它们甚至可以胜过传统算法。
Sep, 2017