课程设计助力脉冲神经网络进行时间序列分类
神经与进化计算
2024-01-22 v1 机器学习
摘要
由于脉冲神经网络（SNN）具有固有的神经元动力学和低能耗，其在时间序列数据建模方面比人工神经网络（ANN）具有更大的潜力。然而，很难在分类准确率上展示其优越性，因为当前的努力主要集中在设计更好的网络结构上。在这项工作中，受脑启发科学的启发，我们发现不仅结构应该类人，学习过程也应该类人。为了实现这一点，我们通过设计一种名为 CSNN 的新方法来研究课程学习（CL）在 SNN 上的能力，该方法具有两种有理论保证的机制：从活跃到休眠的训练顺序使得课程类似于人类学习过程，且适用于脉冲神经元；基于值的区域编码使得神经元活动在学习序列数据时能够模拟大脑记忆。在包括模拟、传感器、运动和医疗保健在内的多种时间序列数据源上的实验表明，与 ANN 相比，CL 对 SNN 具有更积极的影响，准确率变化约为前者的两倍；CSNN 可以通过改善网络稀疏性、神经元放电状态、抗噪能力和收敛速度，将 SNN 的准确率提升约 3%。
引用
@article{arxiv.2401.10257,
title = {Curriculum Design Helps Spiking Neural Networks to Classify Time Series},
author = {Chenxi Sun and Hongyan Li and Moxian Song and Derun Can and Shenda Hong},
journal= {arXiv preprint arXiv:2401.10257},
year = {2024}
}
备注
11 pages, 3 figures