基于在线套在线元学习的脉冲神经网络快速设备端自适应
神经与进化计算
2021-03-09 v1 机器学习
信号处理
摘要
脉冲神经网络(SNNs)因其低功耗特性,近期作为面向移动医疗管理与自然语言处理等应用的设备端边缘智能机器学习模型而广受欢迎。在此高度个性化场景中,模型能够仅以极少训练数据适应用户个体独特特征至关重要。元学习已被提出作为训练面向新任务快速自适应模型的方法。现有少数SNN元学习方案离线运行,且需要某种与当前神经形态边缘设备不兼容的反向传播。本文提出一种称为OWOML-SNN的SNN在线套在线元学习规则,可实现任务流上的终身学,并依赖于局部的、无反向传播的嵌套更新。
引用
@article{arxiv.2103.03901,
title = {Fast On-Device Adaptation for Spiking Neural Networks via Online-Within-Online Meta-Learning},
author = {Bleema Rosenfeld and Bipin Rajendran and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2103.03901},
year = {2021}
}
备注
Accepted for publication at DSLW 2021