文献

J-GLOBAL ID：201702256980011360   整理番号：17A1257297

スパイキング畳込みニューラルネットワークにおける多層教師なし学習【Powered by NICT】

Multi-layer unsupervised learning in a spiking convolutional neural network

著者 (2件)： Tavanaei Amirhossein (The Center for Advanced Computer Studies, University of Louisiana at Lafayette, LA 70504, USA) ,  Maida Anthony S. (The Center for Advanced Computer Studies, University of Louisiana at Lafayette, LA 70504, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 2023-2030  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： スパイキングニューラルネットワーク(SNN)はbiorealism,低電力ハードウェア実装の可能性,および理論的計算能力と伝統的,非スパイクネットワーク上の利点を持っている。しかし,実際には,多層学習を持つスパイキングネットワークは,列車が困難なままである。欲張り,層ごとに訓練されることを新しいバイオにヒントを得たスパイキング畳込みニューラルネットワーク(CNN)を調べた。スパイキングCNNは,畳込み/貯留層とそれに続く特徴発見層のバイオインスパイアード学習を受けで構成されている。畳込み層のためのカーネルは一次視覚特徴を表すスパース,スパイキングオートエンコーダを用いて訓練した。特徴発見層は確率的スパイクタイミング依存可塑性(STDP)学習ルールを用いた。この層はWTA閾値,漏洩,積分発火(LIF)ニューロンを用いた複雑な視覚特徴を表現する。新しいモデルはきれいなまたは雑音のある画像を用いたMNIST数字データセット上で評価した。中間結果は,畳込み層はスタック許容である,多層学習アーキテクチャを支援することを可能にすることを示した。清浄な画像のための認識性能は,98%以上であった。この性能は,畳込みと特徴発見層の階層における抽出した独立と有益な視覚的特徴によって説明された。雑音の多い画像を認識するための性能損失は0.1%~8.5%の範囲であった。レベル性能損失はネットワークが付加雑音に対してロバストであることを示した。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： *ネットワーク ,  数字 ,  *教師なし学習 ,  ロバスト性 ,  ニューロン ,  *学習 ,  *畳込み ,  雑音 ,  *ニューラルネットワーク ,  計算機アーキテクチャ ,  画像 ,  *多層
準シソーラス用語： 視覚顕著 ,  ハードウェア実装 ,  スパイキングニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (3件)： 畳込みニューラルネットワーク ,  多層 ,  教師なし学習