基于推土机距离监督训练连体脉冲神经网络
神经与进化计算
2022-05-30 v2 机器学习
摘要
本研究将高度通用的连体神经网络模型适配至事件数据领域。我们引入一种监督训练框架，利用脉冲神经网络（SNN）优化脉冲序列之间的推土机距离（EMD）。我们使用以新颖转换方案转换为脉冲域的 MNIST 数据集图像训练该模型。通过测量不同数据集编码类型下的分类器性能来评估输入图像的连体嵌入质量。该模型在使用仅约 15% 的隐藏层神经元对每一样本分类时，取得了与现有基于 SNN 的方法相近的性能（F1 分数最高达 0.9386）。此外，未采用稀疏神经编码的模型比其稀疏对应模型慢约 45%。这些特性使该模型适用于低能耗与低预测延迟的应用。
引用
@article{arxiv.2203.13207,
title = {Supervised Training of Siamese Spiking Neural Networks with Earth Mover's Distance},
author = {Mateusz Pabian and Dominik Rzepka and Mirosław Pawlak},
journal= {arXiv preprint arXiv:2203.13207},
year = {2022}
}
备注
Revised paper accepted for presentation at 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)