文献

J-GLOBAL ID：201702237157452276   整理番号：17A1257485

可変構造DANNA神経形態学的アーキテクチャのための構造に基づく適合予測【Powered by NICT】

Structure-based fitness prediction for the variable-structure DANNA neuromorphic architecture

著者 (4件)： Klibisz Aleksander (Department of Electrical Engineering and Computer Science, University of Tennessee, Knoxville, Tennessee, USA, 37996) ,  Bruer Grant (Department of Electrical Engineering and Computer Science, University of Tennessee, Knoxville, Tennessee, USA, 37996) ,  Plank James S. (Department of Electrical Engineering and Computer Science, University of Tennessee, Knoxville, Tennessee, USA, 37996) ,  Schuman Catherine D. (Computational Data Analytics, Oak Ridge National Laboratory, Oak Ridge, Tennessee, USA, 37831)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 3431-3438  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 近年,neuromporphic計算プラットフォームに関する研究は可変構造に焦点を当て,スパイキングネットワークモデル。プログラミングのための重要な方法論これらのネットワークは進化最適化(EO),千のネットワークを作成し,特定タスク上での適応度スコアを測定することによって評価した。標的適合が達成されるまで適応度スコアは新しいネットワークの生成を導く。EO中の性能オーバヘッドの一つの源はその適応度を決定に各ネットワークに関するタスクのシミュレーションである。架空の源を緩和するために,静的適応予測タスク(SFPT)を定式化し,直接シミュレーションのないネットワークの適合性を予測する。著者らの仮説は,それらをシミュレートすることなくEO中のネットワークのかなりの部分を除去し,EOはより効率的にネットワークの適合性を予測する十分に正確にSFPTを使用できることである。神経形態学的モデルにSFPT DANNA[1]に対するデータ駆動型アプローチを提案した。提案アプローチでは,有向グラフにネットワークを形質転換し,新しいネットワークの適合性を予測するための補助モデルを訓練するために構造的特徴を抽出した。抽出された特徴を解析し,五つのタスクのためのネットワークの適合性を予測するためにいくつかの予測モデルを評価した。著者らの結果は,これらの特徴とモデルの予測能力を実証した。この技術の主な貢献は,ネットワーク適応度を予測し,高価なシミュレーションを回避するために可変構造ネットワークから抽出されたグラフレベル特徴の有用性を実証することである。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 有向グラフ ,  最適化 ,  シミュレーション ,  *予測 ,  構造特性 ,  *計算機アーキテクチャ ,  適応性 ,  計算機プログラミング ,  予測モデル ,  ネットワーク ,  定式化
準シソーラス用語： データ駆動 ,  スコア ,  適応度 ,  *神経形態学 , 【Automatic Indexing@JST】

分類 (2件)： 脳・神経系モデル  (EL02050C) ,  中枢神経系  (EJ12030F)

タイトルに関連する用語 (4件)： 可変構造 ,  神経形態学 ,  アーキテクチャ ,  予測