A Faster Approach to Spiking Deep Convolutional Neural Networks

要約

スパイキング ニューラル ネットワーク (SNN) は、現在のディープ ニューラル ネットワークよりも脳に近いダイナミクスを持っています。
低消費電力とサンプル効率が、これらのネットワークを興味深いものにしています。
最近、いくつかの深い畳み込みスパイキング ニューラル ネットワークが提案されています。
これらのネットワークは、機械学習タスクに適用される強力なツールを作成しながら、生物学的妥当性を高めることを目的としています。
ここでは、ネットワークのランタイムと精度を向上させるために、以前の研究に基づいたネットワーク構造を提案します。
ネットワークの改善には、主成分分析 (PCA) の次元削減、重みの量子化、分類のための時間指定された出力、およびより優れたハイパーパラメーター調整を効果的に使用して、トレーニングの反復を 1 回だけに削減することが含まれます。
さらに、前処理ステップが変更され、白黒のみの代わりにカラー画像の処理が可能になり、精度が向上します。
提案された構造はランタイムを分割し、深い畳み込み SNN への効率的なアプローチを導入します。

要約(オリジナル)

Spiking neural networks (SNNs) have closer dynamics to the brain than current deep neural networks. Their low power consumption and sample efficiency make these networks interesting. Recently, several deep convolutional spiking neural networks have been proposed. These networks aim to increase biological plausibility while creating powerful tools to be applied to machine learning tasks. Here, we suggest a network structure based on previous work to improve network runtime and accuracy. Improvements to the network include reducing training iterations to only once, effectively using principal component analysis (PCA) dimension reduction, weight quantization, timed outputs for classification, and better hyperparameter tuning. Furthermore, the preprocessing step is changed to allow the processing of colored images instead of only black and white to improve accuracy. The proposed structure fractionalizes runtime and introduces an efficient approach to deep convolutional SNNs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google