Mar, 2024

理解脉冲神经网络中建模组件的功能角色

PDF
TL;DR通过设计和评估经典模型的几个变体，系统地研究了渗漏，重置和循环等关键模式组件在漏电集成火模型的 SNNs 中的功能角色。通过广泛的实验，我们展示了这些组件如何影响 SNNs 的准确性，泛化性能和鲁棒性。通过这些有趣的观察结果，我们提供了增强 SNNs 在不同场景下性能的优化建议，从而深化了对 SNNs 工作方式的理解，为更有效和鲁棒的神经形态模型的发展提供了有价值的指导。
发现论文，激发创造
  • 基于线性漏电积分 - 火神经元模型的脉冲神经网络及其与深度神经网络的映射关系

    该研究建立了生物参数和人工神经网络参数之间精确的数学映射关系，并证明了两者之间存在的映射关系，从而为两种类型的神经网络的潜在组合提供了理论基础。

    May, 2022

  • 基于脉冲神经元的脑启发式多层感知器

    本文介绍了如何在多层感知器（MLP）中使用漏泄整合和火（LIF）神经元来构建以 SNN 为灵感的神经网络机制，通过改进局部特征沟通机制来提高精度，最终在 ImageNet 数据集上取得 81.9％至 83.5％的 top-1 准确度的最新成果。

    Mar, 2022

  • 简单和复杂的尖峰神经元：在简单 STDP 场景下的观点和分析

    本研究比较了三种简单的脉冲神经元模型 (简洁型、二次型和指数型)，利用 Spike-Timing Dependent Plasticity (STDP) 在 N-MNIST 和 DVS Gestures 数据集上测试它们的分类表现，结果显示在数据具备更多的时空特征时，二次型和指数型的神经元模型表现更好，说明根据数据的特征谨慎选择神经元模型，能够提高整个系统的性能。

    Jun, 2022

  • 基于低活动度监督下的卷积脉冲神经网络应用于语音命令识别

    本文提出了一种使用 Leaky-Integrate-Fire (LIF) 神经元模型的堆叠扩张卷积脉冲层的模型，在保持非常稀疏的脉冲活动的情况下，可以在 Google SC v1 数据集上实现接近标准 DNN 的 5.5% 的误差率，证明了 SNNs 在语音识别方面的可行性。

    Nov, 2020

  • 神经形态算法硬件协同设计用于时间模式学习

    本文介绍了一种针对 Leaky Integrate and Fire 神经元的高效训练算法，该算法能够训练 SNN 学习复杂的时空模式，并且通过与硬件结合的方式，展示了神经元和突触基于忆阻器的网络实现的原理及优点。

    Apr, 2021

  • GLIF：用于脉冲神经网络的统一门控泄漏整合火神经元

    本文提出了一个统一脉冲神经元 GLIF，以融合不同的生物特征在不同的神经行为中，从而扩大脉冲神经元的表示空间，增加其异质性和适应性，并通过各种数据集的广泛实验证明了其优越性能。

    Oct, 2022

  • 高效基于脉冲编码的图像去噪的神经信息编码

    通过使用 Leaky Integrate and Fire 神经元，我们研究了脉冲神经网络在高斯去噪任务中的性能，结果表明相对于深度卷积神经网络，SNN 能够在降低计算负载的情况下提供有竞争力的去噪性能。

    May, 2023

  • 使用 LIF 神经元对深度网络进行脉冲处理

    使用 LIF 神经元训练脉冲深度网络，并在 CIFAR-10 和 MNIST 数据集上实现了最先进的结果。通过软化 LIF 响应函数并添加噪声，我们的方法旨在实现在神经形态硬件上训练深度网络的快速、高效的图像分类。

    Oct, 2015

  • 用于深度分布式强化学习的多区室神经元和群体编码优化的脉冲神经网络

    通过结合生物启发式多室神经元模型和群编码方法，提出基于突触前神经元的深度分布式强化学习算法，其在 Atari 游戏上的表现超过了 “vanilla” 的基于 ANN 的 FQF 模型和基于 ANN-SNN 转换方法的 Spiking-FQF 模型。

    Jan, 2023

  • 深度脉冲神经网络的固有对抗鲁棒性：离散输入编码和非线性激活的影响

    本文介绍了潜在的对抗攻击抗干扰能力强的脉冲神经网络（SNN），以及研究表明使用 Poisson 编码器的输入离散化和 Leaky-Integrate-Fire (LIF) 神经元的泄漏率增加可提高其在 CIFAR 数据集上的对抗准确性。

    Mar, 2020