一种内在具备知识迁移能力的发育脉冲神经网络用于触觉分类
信号处理
2024-10-02 v1
摘要
反向传播（backpropagation, BP）计算的梯度下降是人工神经网络训练中广泛使用的方法，但存在若干局限：计算负担沉重，需频繁手动调节网络结构，且在增量学习时易产生灾难性遗忘。为此，我们引入一种模仿神经环路 postnatal 发育的脑类拟发育脉冲神经网络（brain-mimetic developmental spiking neural network, BDNN）。我们通过能够通过抓握识别物体的仿生触觉系统来验证其性能。不同于传统的 BP 方法，BDNN 具备强大的知识迁移能力，支持高效地增量学习新的触觉信息。它无需调参，能动态适应输入数据。此外，与 BP 方法相比，BDNN 在理想条件下实现的分类准确率与 BP 相当，但学习速度快过 BP 十倍甚至三个数量级。这使得 BDNN 特别适合用于边缘设备的快速数据处理。
引用
@article{arxiv.2410.00745,
title = {An Intrinsically Knowledge-Transferring Developmental Spiking Neural Network for Tactile Classification},
author = {Jiaqi Xing and Libo Chen and ZeZheng Zhang and Mohammed Nazibul Hasan and Zhi-Bin Zhang},
journal= {arXiv preprint arXiv:2410.00745},
year = {2024}
}
备注
24 pages, 8 figures, 2 tables