Supervised learning of spatial features with STDP and homeostasis using Spiking Neural Networks on SpiNNaker

要約

人工ニューラル ネットワーク (ANN) は、よく知られた逆伝播アルゴリズムを使用して学習できるため、大きな人気を集めています。
一方、スパイキング ニューラル ネットワーク (SNN) は、ANN よりも幅広い機能を備えているにもかかわらず、トレーニング段階で常に課題を抱えてきました。
この論文では、空間パターンを識別するためにネットワークをトレーニングすることを目的として、スパイク タイミング依存可塑性 (STDP) とホメオスタシスを使用して、SNN で教師あり学習を実行する新しい方法を示します。
このメソッドは、SpiNNaker デジタル アーキテクチャを使用してテストされます。
SNN は 1 つまたは複数のパターンを認識するようにトレーニングされ、パフォーマンス メトリックが抽出されてネットワークのパフォーマンスを測定します。
単一のトレーニングされたパターンの場合、ネットワークはトレーニングされたパターンを 100% の精度で検出する理想的な検出器として動作することを示す結果から、いくつかの考慮事項が導き出されます。
ただし、単一ネットワーク上のトレーニング済みパターンの数が増加するにつれて、識別の精度はこれらのパターン間の類似性に関連します。
空間パターンを検出するために SNN をトレーニングするこの方法は、各ネットワーク パケットが空間パターンを表す、静止画像のパターン認識やコンピュータ ネットワークのトラフィック分析に適用できます。
恒常性因子により、完全に一致するパターンだけでなく、ある程度の類似性を持つパターンをネットワークが検出できるようにすることが規定されます。

要約(オリジナル)

Artificial Neural Networks (ANN) have gained large popularity thanks to their ability to learn using the well-known backpropagation algorithm. On the other hand, Spiking Neural Networks (SNNs), despite having wider abilities than ANNs, have always presented a challenge in the training phase. This paper shows a new method to perform supervised learning on SNNs, using Spike Timing Dependent Plasticity (STDP) and homeostasis, aiming at training the network to identify spatial patterns. The method is tested using the SpiNNaker digital architecture. A SNN is trained to recognise one or multiple patterns and performance metrics are extracted to measure the performance of the network. Some considerations are drawn from the results showing that, in the case of a single trained pattern, the network behaves as the ideal detector, with 100% accuracy in detecting the trained pattern. However, as the number of trained patterns on a single network increases, the accuracy of the identification is linked to the similarities between these patterns. This method of training an SNN to detect spatial patterns may be applied on pattern recognition in static images or traffic analysis in computer networks, where each network packet represents a spatial pattern. It will be stipulated that the homeostatic factor may enable the network to detect patterns with some degree of similarities, rather than only perfectly matching patterns.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google