基于低功耗脉冲数字神经元的吉布斯采样
神经与进化计算
2015-03-30 v2
摘要
受限玻尔兹曼机（Restricted Boltzmann Machines）和深度信念网络（Deep Belief Networks）已成功应用于图像分类和语音识别等多种场景。这些算法中的推理与学习采用了一种称为吉布斯采样（Gibbs sampling）的马尔可夫链蒙特卡洛（Markov Chain Monte Carlo）过程。Sigmoid 函数构成了该采样器的核心，其可通过神经形态 VLSI 基板上噪声积分 - 发放（integrate-and-fire）神经元的发放统计特性来实现。本文展示了在具有随机泄漏和阈值特性的数字脉冲神经元阵列上的此类实现，用于推理任务，并提出了这种基于硬件的采样器在生成式和判别式上下文中的关键性能指标。
引用
@article{arxiv.1503.07793,
title = {Gibbs Sampling with Low-Power Spiking Digital Neurons},
author = {Srinjoy Das and Bruno Umbria Pedroni and Paul Merolla and John Arthur and Andrew S. Cassidy and Bryan L. Jackson and Dharmendra Modha and Gert Cauwenberghs and Ken Kreutz-Delgado},
journal= {arXiv preprint arXiv:1503.07793},
year = {2015}
}
备注
Accepted at ISCAS 2015