FORCE 训练下的脉冲神经网络监督学习
本研究提出一种监督式训练程序,运用递归最小二乘法的 FORCE 算法来拟合每层过程的目标,以控制反馈回路,促进 RSNNs 神经元网络动力系统的训练,提高其性能和抗噪性并使用 TTFS 编码来进行能效硬件实现。
May, 2022
本研究基于神经脉冲网络中的超级脉冲非线性电压三因素学习规则,探究了不同信用分配策略对多层神经网络的表现,可促进神经脉冲网络的学习和计算方式的理解。
May, 2017
本文阐述了训练脉冲神经网络时通常遇到的问题,并通过指导读者了解突触可塑性和数据驱动学习的关键概念,概述了现有方法并介绍了代理梯度方法,这是一种特别灵活和有效的克服上述挑战的方法。
Jan, 2019
本文介绍了一种训练脉冲神经网络的方法,通过结合使用连续模型网络和脉冲模型神经元,使其能够自主产生动态模式,并模拟生理数据,这提供了一种新的方法用于训练脉冲神经网络,并探讨了神经系统中表示和计算的重要问题。
Jan, 2016
本研究证明了在采用了时间编码方案的前馈脉冲网络中,网络输入 - 输出关系在几乎任何地方都是可微的,并且在变量转换后这种关系是分段线性的。此外,我们展示了通过该方法对项独立 MNIST 任务进行训练的结果,从而证明了训练人工神经网络的方法可以直接应用于训练这种脉冲网络。与基于速率的脉冲网络不同的是,我们所提出的网络的脉冲更为稀疏,且其行为不能直接由传统的人工神经网络来近似。这些结果强调了控制具有复杂时间信息的脉冲模式的脉冲网络行为的新方法。
Jun, 2016
采用目标驱动的方法修改全连接神经网络的连接矩阵,增强神经网络对于时间复杂的输入输出变换执行任务的能力。添加输入信号作为任务提示,可进一步扩展任务的种类。方法能够使网络的噪声鲁棒性增强。
Oct, 2017
该研究论文讨论深度脉冲神经网络的训练方法,比较有监督和无监督学习的准确性、计算成本和硬件友好性,发现深度脉冲神经网络在准确性方面仍落后于人工神经网络,但在许多任务中可以达到相同的准确性并需要更少的计算操作。
Apr, 2018
该文章讨论了 Spiking Neural Networks (SNNs) 的局限性,介绍了一种方法来解决这些问题使用无监督学习来快速发现输入数据中的稀疏可识别特征,使 SNNs 成为一种使用未标记数据进行快速、准确、高效、可解释和可重新部署的机器学习的新方法。
Aug, 2022
这篇论文总结了神经元模型的优点、缺点和适用性,分析了网络拓扑的特性,并从无监督学习和监督学习的角度回顾了脉冲神经网络算法和基于突触可塑性规则的无监督学习算法以及四类监督学习算法,最后专注于国内外正在研究的类脑神经仿真芯片的综述。通过系统的总结,论文旨在为初入脉冲神经网络研究领域的同行提供学习概念和研究方向。
Sep, 2023