用于低功耗边缘智能的脉冲神经网络联邦神经形态学习
机器学习
2019-10-24 v1 神经与进化计算
信号处理
机器学习
摘要
脉冲神经网络（SNNs）为常规人工神经网络（ANNs）提供了一种有前景的替代方案，可用于实现设备端低功耗在线学习与推理。然而，设备端训练受限于每个设备可用数据量有限。本文提出通过联邦学习（FL）的协作训练来缓解该问题。为此，我们为联网的设备端 SNN 引入一种基于在线 FL 的学习规则，称之为 FL-SNN。FL-SNN 利用每个 SNN 内部的局部反馈信号代替反向传播，并通过基站通信实现全局反馈。该方案相较独立训练展现出显著优势，并通过突触权重的选择性交换在通信负载与准确率之间提供灵活的权衡。
引用
@article{arxiv.1910.09594,
title = {Federated Neuromorphic Learning of Spiking Neural Networks for Low-Power Edge Intelligence},
author = {Nicolas Skatchkovsky and Hyeryung Jang and Osvaldo Simeone},
journal= {arXiv preprint arXiv:1910.09594},
year = {2019}
}
备注
submitted for conference publication