Jun, 2022

一种新的机器学习分类问题的提出与验证

PDF
TL;DR本文提出了一种新的机器学习算法，它基于研究神经元的特性，利用神经元的 EPSP / IPSP 抵消现象，通过对神经元进行精确刻画，实现对分类问题的最优化预测，实验结果表明，该方法在鸢尾花分类、二手车排名和鲍鱼环分类问题上比神经网络更优。
machine learningneuronsepsp/ipsp cancellationclassificationoptimization
发现论文，激发创造
  • 深度脉冲神经网络

    通过介绍一种能够在脉冲网络上进行反向传播的算法，我们表明，在脉冲多层感知机（MLP）长时间运行的极限情况下，该网络在预测和训练期间的行为与带有修正线性单元的传统深度网络行为完全相同。我们将此架构应用于传统分类问题（MNIST），并实现了与具有相同架构的传统 MLP 非常接近的性能。此网络对于基于流事件数据的学习具有自然架构，是使用脉冲神经网络高效学习流式数据的基石。

    Feb, 2016

  • 提高前馈神经网络在脉冲神经形态芯片中的分类准确性

    使用新的二进制硬件跨棒学习算法实现深度神经网络在 TrueNorth 芯片上的部署，可在以前工作的基础上实现显著提高（76％与 86％准确度）同时保持良好的性能 MNIST 手写数据集。

    May, 2017

  • 多元新物理学习

    本文介绍一种使用多层感知器在大型多变量数据集中检测偏差的方法，该方法设计灵敏度高且不需要任何先验假设，并在高能物理问题中得到了应用验证。

    Dec, 2019

  • SuperSpike: 多层脉冲神经网络中的监督学习

    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

  • 短期突触可塑性脉冲神经元形成更优秀的生成网络

    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

  • 归纳节点分类的神经结构化预测

    本文提出了一种新的方法：结构化代理网络（SPN），它结合了条件随机场（CRFs）和图神经网络（GNNs）的优点，通过解决一个近似的优化问题来有效学习模型，用于无标签测试图上的节点标签推断，实验结果表明 SPN 优于许多竞争对手。

    Apr, 2022

  • 神经科学启发的科学机器学习 (第一部分): 变量尖峰神经元用于回归

    本论文介绍了一种称为变量尖峰神经元（VSN）的新型尖峰神经元，它可以通过借鉴生物神经元的漏积分与发射尖峰神经元（LIF-SN）的概念，减少冗余激发，同时保持能源预算低，并在分类和回归任务中取得了良好的结果。

    Nov, 2023

  • 脉冲神经网络中的传播延迟学习

    本文探索了一种新的局部学习规则，该规则适用于脉冲神经网络，其中脉冲传播时间会发生经验依存性的可塑性更改，通过实现分类精度的提高和记忆能力的扩展，证明了该方法的潜力。

    Oct, 2022

  • 不定概率神经网络

    本文提出了一种新的概率神经网络模型 IPNN，该模型能够将神经网络和概率理论结合起来，并且在分类任务中具有无监督聚类的能力。该模型可以使用很小的神经网络对数十亿个类别进行分类。

    Mar, 2023

  • 共同学习脉冲神经网络中的突触延迟、权重和自适应

    通过协同学习连接权重、神经元适应过程和突触传播延迟等生物灵感神经元特征，本文展示了脉冲神经网络 (SNN) 在数据处理方面的增强，进而在具有丰富时间动态的任务上表现出与等效人工神经网络 (ANN) 类似大小的最先进效果。

    Sep, 2023