S4NN：每神经元单脉冲的脉冲神经网络时序反向传播
神经与进化计算
2020-06-16 v4 计算机视觉与模式识别
机器学习
神经元与认知
摘要
我们针对使用一种称为秩序编码的时序编码形式的多层脉冲神经网络（SNNs）提出一种新的监督学习规则。在此编码方案下，所有神经元对每个刺激恰好发放一次脉冲，但发放顺序携带信息。特别是在读出层，最先发放的神经元决定刺激类别。我们为这类网络推导出一种名为 S4NN 的新学习规则，类似于传统误差反向传播，但基于潜伏期。我们展示了如何在任意层数前馈网络中向后计算近似误差梯度。该方法在监督式多全连接层 SNNs 上达到最先进性能：MNIST 数据集测试准确率 97.4%，Caltech Face/Motorbike 数据集 99.2%。然而，我们使用的神经元模型——非泄漏积分发放模型，比以往所有工作所用的模型简单得多。所提出的 S4NN 源代码公开于 https://github.com/SRKH/S4NN。
引用
@article{arxiv.1910.09495,
title = {S4NN: temporal backpropagation for spiking neural networks with one spike per neuron},
author = {Saeed Reza Kheradpisheh and Timothée Masquelier},
journal= {arXiv preprint arXiv:1910.09495},
year = {2020}
}