Nov, 2023

脉冲神经网络的特征归因解释

PDF
TL;DR我们提出了一种基于时间脉冲归因的解释方法，用于解释第三代人工神经网络，尖峰神经网络（SNNs），并评估其在人工和现实时间序列数据上的解释质量。
spiking neural networkstemporal spike attributionexplanation methodneuromorphic chipsexplanation quality
发现论文，激发创造
  • 使用间脉间隔从脉冲神经网络中得出视觉解释

    本文提出了一种新型的 SNNs 生物合理可视化工具 Spike Activation Map，通过探究 SNNs 在各种训练配置及面对对抗样本时内部电位波动的工作方式，SAM 提供了全面的分析，能够更好地训练 SNNs 和节约能源。

    Mar, 2021

  • 带有突触延迟的时间脉冲神经网络用于图形推理

    SNNs, when combined with synaptic delay and temporal coding, demonstrate efficient graph reasoning and achieve significant energy savings compared to non-spiking networks.

    May, 2024

  • 脉冲神经网络 -- 第二部分：检测时空模式

    本文从认知神经科学方面入手，分析了 Spiking Neural Networks 这种新型生物神经样本学习 / 数据处理模型在模型、训练算法上面的优点和缺点，其中使用了概率模型和时间反向传播算法解决了部分难点，最后在神经元数据集上进行了对比实验.

    Oct, 2020

  • 基于时间关注机制的尖峰神经网络用于事件流分类

    该论文提出了一种基于时间注意力的尖峰神经网络模型来处理事件流，能够有效地提取时空特征，提高分类准确率。

    Jul, 2021

  • 使用注意力驱动的脉冲神经网络增强图表示学习

    本文提出了一个将注意机制与脉冲神经网络 (SNN) 相结合的新方法，以改进图表示学习的能力。该方法能够在学习过程中选择性地关注图中重要的节点和相应的特征，并在多个基准数据集上进行评估，结果显示其性能与现有的图学习技术相当。

    Mar, 2024

  • 可解释的时空图神经网络

    提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。

    Oct, 2023

  • 脉冲神经网络中的固有冗余

    我们提出了一种 Advance Spatial Attention（ASA）模块来利用神经元网络（SNN）中的冗余功能，通过一对个体空间注意子模块来自适应优化其膜电位分布，从而准确调节噪声尖峰特征。实验结果表明，与最先进的 SNN 基准相比，所提出的方法显著减少了尖峰发射，并具有更好的性能。

    Aug, 2023

  • 自适应脉冲循环神经网络精确高效的时间域分类

    本文介绍了一种使用新颖代理梯度和可调谐自适应尖峰神经元的循环网络，将基于脉冲的神经网络的性能提高至具有挑战性的时间域基准的最新水平，并展示了这些 SNN 的计算效率比具有可比性能的 RNN 高出一到三个数量级，从而使 SNN 成为 AI 硬件实现的有吸引力的解决方案。

    Mar, 2021

  • 神经形态硬件上的超低功耗图像分类

    基于时间编码的 ANN 到 SNN 转换方法 Quartz 在神经形态硬件上实现了高分类准确性，通过时间编码在功耗、吞吐量和延迟方面具有优势。

    Sep, 2023

  • 时域中的 Spike 层误差重新分配

    这篇文献提出了一种新的反向传播机制来学习突触权重和轴突延迟，解决了突触激活函数不可微分的问题，从而有助于低功耗的事件驱动计算，该方法在训练全连接和卷积神经网络方面表现出色，优于现有的 SNN 和标准 ANN 到 SNN 转换技术，取得了 MNIST，NMNIST，DVS Gesture 和 TIDIGITS 数据集上 SNN 的最新性能.

    Sep, 2018