文献

J-GLOBAL ID：201802285427472699   整理番号：18A0726315

二値活性化による逆伝搬に基づく離散時間スパイキングニューラルネットワークのアルゴリズムとハードウェア設計【JST・京大機械翻訳】

Algorithm and hardware design of discrete-time spiking neural networks based on back propagation with binary activations

著者 (7件)： Yin Shihui (School of Electrical, Computer and Energy Engineering, Arizona State University, Tempe, AZ, USA) ,  Venkataramanaiah Shreyas K. (School of Electrical, Computer and Energy Engineering, Arizona State University, Tempe, AZ, USA) ,  Chen Gregory K. (Circuits Research Lab, Intel Corporation, Hillsboro, OR, USA) ,  Krishnamurthy Ram (Circuits Research Lab, Intel Corporation, Hillsboro, OR, USA) ,  Cao Yu (School of Electrical, Computer and Energy Engineering, Arizona State University, Tempe, AZ, USA) ,  Chakrabarti Chaitali (School of Electrical, Computer and Energy Engineering, Arizona State University, Tempe, AZ, USA) ,  Seo Jae-sun (School of Electrical, Computer and Energy Engineering, Arizona State University, Tempe, AZ, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： BioCAS  ページ： 1-5  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： 離散時間スパイキングニューラルネットワーク(SNN)のための新しい逆伝搬ベースの訓練アルゴリズムを提案した。二値化ニューラルネットワークに関する最近の深い学習アルゴリズムに触発されて,直線的な勾配推定器による二値活性化を用いて,漏れ積分-火災スパイキングニューロンをモデル化し,逆伝搬を用いてSNNsを訓練することの困難性を克服した。2つのSNN訓練アルゴリズムを提案した。(1)不連続積分によるSNNは,速度符号化入力スパイクに適しており,(2)連続積分によるSNNは,より一般的で,時間情報による入力スパイクを扱うことができる。28nm CMOSで設計された神経形態ハードウェアはスパイクスパース性を利用し,高い分類精度(MNISTで>98%)と低エネルギー(51.4~773nJ/画像)を実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  学習アルゴリズム ,  *ニューラルネットワーク ,  *ハードウェア設計 ,  積分 ,  モデリング ,  画像 ,  符号化 ,  *ハードウェア
準シソーラス用語： 分類精度 ,  スパース性 ,  時間情報 ,  スパイキングニューロン ,  勾配推定 ,  *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 (6件)： 二値 ,  活性化 ,  伝搬 ,  スパイキングニューラルネットワーク ,  アルゴリズム ,  ハードウェア設計