用于无监督特征学习的局部连接脉冲神经网络
神经与进化计算
2019-04-15 v1 机器学习
摘要
近年来，脉冲神经网络（SNNs）在完成各类机器学习任务中取得了巨大成功。我们提出一种利用脉冲时序依赖可塑性（STDP）规则在 SNNs 中通过局部连接层学习图像特征的方法。在我们的方法中，子网络通过竞争性抑制交互，从输入空间的不同位置学习特征。这些局部连接 SNNs（LC-SNNs）展现出生物神经元空间交互的关键拓扑特征。我们探索了受生物学启发的 n-gram 分类方法，允许对图像空间各块进行并行处理。我们报告了简单两层 LC-SNNs 在两个图像数据集上的分类准确率，其匹配当前最优性能，且为迄今首例结果。LC-SNNs 具有快速收敛至数据集表示的优势，且相较于其他采用无监督学习的 SNN 方法所需可学习参数更少。鲁棒性测试表明，尽管随机删除大量突触与神经元，LC-SNNs 仍表现出性能的优雅退化。
引用
@article{arxiv.1904.06269,
title = {Locally Connected Spiking Neural Networks for Unsupervised Feature Learning},
author = {Daniel J. Saunders and Devdhar Patel and Hananel Hazan and Hava T. Siegelmann and Robert Kozma},
journal= {arXiv preprint arXiv:1904.06269},
year = {2019}
}
备注
22 pages, 7 figures, and 4 tables