动态脉冲神经网络

以下文章来源于今日新材料 ，作者今日新材料

随着学习算法的最新进展，脉冲神经元的递归网络，正在实现与普通递归神经网络相竞争的性能。然而，这些算法仅限于简单脉冲神经元，以及中等长度时间序列的小型网络，因其需要很高的记忆，难以训练复杂的神经元模型，并且与在线学习也不兼容。

近日，荷兰国家数学与计算机中心（CWI）Bojian Yin等，在Nature Machine Intelligence上发文，报道了最近开发的基于时间向前传播Forward-Propagation Through Time（FPTT）学习，以及新型液体时间常数尖峰神经元相结合，从而解决了这些限制。

将基于时间向前传播FPTT应用于这种复杂的尖峰神经元网络研究展示了超长序列的在线学习，同时在时间分类任务上，优于当前的在线方法，接近或优于离线方法。基于时间向前传播FPTT的高效性和鲁棒性，可以直接训练用于联合目标定位和识别的深度和性能脉冲神经网络，并展示了训练大规模动态和复杂脉冲神经网络架构的能力。

Accurate online training of dynamical spiking neural networks through Forward Propagation Through Time.

基于时间前向传播，动态脉冲神经网络的精确在线训练。

文献链接

https://www.nature.com/articles/s42256-023-00650-4

https://doi.org/10.1038/s42256-023-00650-4

本文译自Nature。

转自：“i学术i科研”微信公众号

如有侵权，请联系本站删除！