基于时序相关增强塑性的深度无监督学习
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
通过将监督性 Spike Timing-Dependent Plasticity(STDP)与自监督 STDP 相结合,并引入 Paired Competing Neurons(PCN)训练架构,我们提出了一种能在神经形态硬件上进行分类任务训练的 Spiking Neural Networks(SNNs)方法,其方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上表现出比现有的基于 STDP 的方法更优越的性能,同时具备改进的超参数鲁棒性。
Aug, 2023
该论文介绍了一种名为 desire backpropagation 的方法,它利用 STDP 的权重更新,实现了全局误差最小化和分类准确率的提高;同时,该方法具有 STDP 的神经动力学和计算效率,是一种基于脉冲的监督学习规则。作者使用 desire backpropagation 对 MNIST 和 Fashion-MNIST 图像进行了分类,实验效果良好。
Nov, 2022
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
介绍了一种新的基于熵和网络激活的集成学习方法,该方法与仅使用尖峰活动操作的尖峰率神经元修剪技术相结合,用于处理两个脑电图数据集进行分类实验,结果表明这种修剪低尖峰率神经元群集导致更好的泛化能力。
Mar, 2022
该论文介绍了一种在脉冲神经网络(SNN)上执行监督学习的新方法,通过使用时序相关可塑性(STDP)和稳态调节训练网络以识别空间模式,该方法通过 SpiNNaker 数字架构进行测试,结果表明 SNN 能够以高准确率识别单个训练模式,但当训练模式数量增加时,识别准确率与这些模式之间的相似性有关,该方法可以应用于静态图像的模式识别或计算机网络中的流量分析,其中每个网络数据包代表一个空间模式。
Dec, 2023
使用局部连接层和时序性突触可塑性规则的脉冲神经网络 (LC-SNNs) 能够优化图像分类任务,其通过接受来自不同位置输入的竞争性抑制相互交互的方式实现生物神经元的拓扑特征,并在两个图像数据集上表现出先进水平的分类精度并展示了较强的稳健性能。
Apr, 2019
该论文使用卷积脉冲神经网络和无监督的尖突时序依赖性可塑性(STDP)学习规则进行动作分类,并发现卷积脉冲神经网络可成功从视频中提取时空信息,其中的空间和时间流是互补的。
Jun, 2023
本文提出了一种基于脑类的无监督局部学习规则 VDSP,旨在在神经形态硬件上在线实现 Hebb 氏可塑性机制。该规则能够有效降低权值上的爆炸或消失,并且证明了在手写数字识别任务方面,其具有明显的优越性。
Mar, 2022