LTC-SE：拓展液态时间常数神经网络在可扩展人工智能与嵌入式系统中的潜力
机器学习
2023-04-19 v1 人工智能
神经与进化计算
系统与控制
系统与控制
摘要
我们提出LTC-SE，即Hasani等人于2021年最初提出的液态时间常数（LTC）神经网络算法的改进版本。该算法将漏积分发放（LIF）脉冲神经网络模型与连续时间循环神经网络（CTRNNs）、神经常微分方程（NODEs）以及定制门控循环单元（GRUs）相统一。LTC-SE的增强侧重于提升灵活性、兼容性与代码组织，针对具有有限计算资源和严格性能要求的嵌入式系统的独特约束。更新后的代码作为一个与TensorFlow 2.x兼容的整合类库，为LTCCell、CTRNN、NODE和CTGRU类提供全面配置选项。我们将LTC-SE与其前身进行评估，展示了我们的优化在用户体验、Keras函数兼容性和代码清晰度方面的优势。这些改进拓展了液态神经网络在机器人学、因果分析和时间序列预测等多种机器学习任务中的适用性，并建立在Hasani等人的基础工作之上。
引用
@article{arxiv.2304.08691,
title = {LTC-SE: Expanding the Potential of Liquid Time-Constant Neural Networks for Scalable AI and Embedded Systems},
author = {Michael Bidollahkhani and Ferhat Atasoy and Hamdan Abdellatef},
journal= {arXiv preprint arXiv:2304.08691},
year = {2023}
}
备注
11 pages, 5 figures, 5 tables, This research work is partially drawn from the MSc thesis of Michael B. Khani. arXiv admin note: text overlap with arXiv:2006.04439 by other authors