A survey on learning models of spiking neural membrane systems and spiking neural networks

要約

スパイキング ニューラル ネットワーク (SNN) は、生物学にインスピレーションを得た、脳に似た特性を持つニューラル ネットワークのモデルです。
過去数十年にわたり、ディープラーニングという現象が成功したこともあり、このモデルはコンピュータ サイエンス コミュニティでますます注目を集めるようになりました。
SNN では、ニューロン間の通信はスパイクとスパイク列を通じて行われます。
これは、これらのモデルを、スパイクの周波数が実数値信号に置き換えられる「標準的な」人工ニューラル ネットワーク (ANN) と区別するものです。
スパイキング ニューラル P システム (SNPS) は、メンブレン コンピューティング理論の枠組み内で開発された多くのバリアントを備えた、形式的オートマトンの原理に基づいた SNN の一分野と考えることができます。
この論文では、まず SNN と SNPS の構造と機能、利点と欠点を簡単に比較します。
この記事の重要な部分は、SNN と SNPS 形式の両方の機械学習および深層学習モデルの最近の結果と応用に関する調査です。

要約(オリジナル)

Spiking neural networks (SNN) are a biologically inspired model of neural networks with certain brain-like properties. In the past few decades, this model has received increasing attention in computer science community, owing also to the successful phenomenon of deep learning. In SNN, communication between neurons takes place through the spikes and spike trains. This differentiates these models from the “standard” artificial neural networks (ANN) where the frequency of spikes is replaced by real-valued signals. Spiking neural P systems (SNPS) can be considered a branch of SNN based more on the principles of formal automata, with many variants developed within the framework of the membrane computing theory. In this paper, we first briefly compare structure and function, advantages and drawbacks of SNN and SNPS. A key part of the article is a survey of recent results and applications of machine learning and deep learning models of both SNN and SNPS formalisms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google