snns | BriefGPT - AI 论文速递

关键词snns

搜索结果 - 12

自适应突触电路增强尖峰神经网络的时空预测学习
本文提出了一种新的时空电路（STC）模型，通过集成两个可学习的自适应路径来增强尖峰神经元的时间记忆和空间协调能力，从而解决现有 SNN 模型在处理复杂、动态的时空预测任务中缺乏长期时序依赖性建模和空间信息交互能力的问题。通过在多个时空预测数
PDFa month ago
创建神经形态边缘应用的集成工具箱
CARLsim++ 是一个集成的工具箱，通过提供图形用户界面，使没有软件工程背景但仍想创建神经形态模型的用户能够快速而轻松地进行。
PDF3 months ago
QKFormer: 使用 Q-K Attention 的层次化脉冲变压器
Spiking Transformers (脉冲变压器) 结合了脉冲神经网络和 Transformer 架构，通过引入一种新的脉冲形式的 Q-K 注意力机制，层次结构和多尺度脉冲表示，以及一种适用于脉冲变压器的通用且强大的补丁嵌入模块，提供
PDF3 months ago
基于应用特定多核架构的 SNN 模型设计空间探索
我们提出了一种基于多核架构的运行时模拟器 RAVSim，它是一款先进的 SNN 模拟器，可用于与模型交互、观察输出浓度行为，并在执行模拟期间随时修改参数值集合。
PDF5 months ago
AAAI缩小您的时间步长：朝着低延迟的脉冲神经网络神经形态目标识别
通过将 SNN 拆分为多个阶段，并逐渐减小时间步长，本研究提出了 Shrinking SNN (SSNN) 来实现低延迟的神经形态学物体识别。SSNN 能够显著降低推理延迟，并通过引入多个早期分类器来消除低延迟下性能的退化。实验证明，在多个
PDF6 months ago
SpikeBERT: 从 BERT 进行两阶段知识蒸馏训练的语言 Spikformer
我们改进了最近提出的脉冲变压器（即 Spikformer）以使其能够处理语言任务，并提出了一种两阶段知识蒸馏方法来训练它，该方法结合了通过从 BERT 对大量无标签文本进行知识蒸馏的预训练和通过再次从 BERT 在相同训练样本上进行知识蒸馏
PDF10 months ago
SEENN：面向时态触发提前退出神经网络
本研究探讨了一种调整 Spiking Neural Networks 中时间步数的方法 ——Spiking Early-Exit Neural Networks (SEENN)，并提出了两种确定适当时间步数的策略，SEENN-I 和 SEE
PDFa year ago
Spikeformer：一种用于训练高性能低延迟脉冲神经网络的新型结构
提出了一种基于 Transformer 的 Spikeformer 方法，它在静态数据集和神经形态数据集上均优于其人工神经网络对应物。为了更好地将注意力机制整合到 Transformer 中，并融合内在于 SNN 的时空信息，采用时空注意力
PDF2 years ago
ICLR利用混合转换和时序相关反向传播使深度脉冲神经网络可行
提出了一种基于深度 Spiking Neural Networks 的计算高效的训练方法，使用一个经过转换后的 SNN 为基础，使用脉冲反向传播进行深度训练，再逐步执行基于时序的反向传播，实现训练复杂度大幅降低，极大地减少了处理输入所需的时
PDF4 years ago
通过反向传播实现深度脉冲神经网络的时间尖峰序列学习
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 C
PDF4 years ago
将脉冲神经网络映射到神经形态硬件上
本文提出了一种名为 SpiNeMap 的方法，用于将 SNN 映射到基于交叉点的神经形态硬件平台上，最大限度地减少刺激延迟和能耗。SpiNeMap 由 SpiNeCluster 和 SpiNePlacer 两个步骤组成，它们分别使用启发式分
PDF5 years ago
NIPS提高深度脉冲神经网络训练性能的有效方法
本文介绍了一种新型的深度脉冲神经网络（DSN），它可以直接进行参数训练，不需要先用传统深度神经网络的训练结果来初始化；研究表明，在 DSN 中控制反向路径的膜电位初始值是非常重要的，同时本文提出了一种简单而有效的方法可以加快 DSN 的收敛
PDF8 years ago