S-TLLR: 基于 STDP 的脉冲神经网络时间局部学习规则
本文提出了一种基于神经科学中对称性脉冲定时相关塑性规则的生物可行的 SNN 模型,该模型结合生物可行的突触缩放和动态阈值的内在可塑性来实现监督学习,并在标准识别任务中实现了良好的性能,其学习规则基于局部脉冲事件,因此可以轻松应用于神经形态硬件,有助于理解生物神经系统内部的监督学习信息处理机制。
Dec, 2018
本文提出一种基于事件驱动的脉冲时序依赖可塑性 (Spike-Timing-Dependent Plasticity, STDP) 规则的监督学习方法,可以在保持计算精度的同时提高计算效率,特别适用于脉冲神经网络 (Spiking Neural Networks, SNNs)。实验结果表明,该方法可以较好地处理 XOR 问题、鸢尾花数据以及 MNIST 数据集,表现与传统神经网络相当,甚至比目前最先进的多层 SNNs 效果更好。
Nov, 2017
本文提出了一种基于 Spike-Timing Dependent Plasticity (STDP) 的监督学习算法,用于基于 Leaky Integrate-and-fire (LIF) 神经元的分层 Spiking Neural Networks。该算法经 MNIST 数据集训练后,分类精度接近于使用标准反向传播算法训练的类似结构的多层感知器模型。
Mar, 2022
本文提出了一种称为 OTTT 的 SNN 在线训练方法,通过跟踪神经前体活动和利用瞬时损失和梯度来实现向前的时间学习,并理论分析证明了 OTTT 的梯度能够在前馈和递归条件下提供与基于脉冲表示的梯度相似的下降方向,同时避免了 BPTT 对 GPU 训练的巨大内存成本。
Oct, 2022
针对脉冲神经网络的在线学习问题,本研究提出了适用于在线学习的神经突触自适应空时学习算法(SOLSA)。相比传统的通过时间反向传播(BPTT)算法,SOLSA 在内存需求上更低,具有更平衡的时间工作负载分配,并且通过调度权重更新、提前停止训练和自适应突触滤波等增强技术,提高了收敛速度和学习性能。与其他非 BPTT 基于的脉冲神经网络学习方法相比,SOLSA 在平均学习准确度上表现出 14.2% 的提升。此外,SOLSA 相比于 BPTT,在平均学习准确度提高了 5% 的同时,内存成本减少了 72%。
Jul, 2023
本文提出一种 TSSL-BP 方法来训练深度的尖峰神经网络,并通过考虑突触前神经元的发放时间和处理每个神经元状态的内部演化来捕获神经元间和神经元内的依赖关系,从而提高了时间学习精度。该方法有效地在几个步骤内训练深度 SNNs,提高了诸如 CIFAR10 的各种图像分类数据集的准确性。
Feb, 2020
Spiking Neural Networks (SNNs) achieve performance comparable to Artificial Neural Networks (ANNs) in machine learning tasks, with processing done through spikes in an event-based mechanism that reduces energy consumption. However, training SNNs is challenging due to the non-differentiable spiking mechanism, and alternative learning methods with varying degrees of locality have been proposed. This research explores the training process similarities, the influence of explicit recurrence, and the performance of local learning methods under adversarial attacks.
Feb, 2024
本文发展了一种新的 SNN 训练方法,即突触阈值协同学习 (Synapse-Threshold Synergistic Learning),该方法同时训练 SNN 中的突触权重和阈值。研究结果表明,与仅使用突触学习或阈值学习的 SNN 相比,使用本文方法训练的 SNN 在各种静态和神经形态数据集上都具有明显更高的准确性,且可通过引入广义联合决策框架进一步提高性能。
Jun, 2022
本文提出了一种名为 H2Learn 的新型架构,可以实现基于 BPTT 的 SNN 学习的高效率,从而保证 SNN 的高精度,并在多个基准数据集上实现了大量的节省面积,加速和节能。
Jul, 2021
该论文提出一种基于奖励传播的算法,该算法应用于脉冲神经网络(SNN)架构中的脉冲卷积和全连接层,该算法能够替代标准反向传播算法,实现对 SNN 的训练。使用该算法的 SNN 在空间和时间任务上的表现已经得到验证,达到了 BP-SNN 的类似准确度并节省了 50%的计算成本。
Oct, 2020