スパイキングニューロンによる深層学習:機会と挑戦【JST・京大機械翻訳】

Pfeiffer Michael; Pfeil Thomas

文献

J-GLOBAL ID：201902251031078023 整理番号：19A1494098

スパイキングニューロンによる深層学習:機会と挑戦【JST・京大機械翻訳】

Deep Learning With Spiking Neurons: Opportunities and Challenges

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=19A1494098&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=19A1494098&from=J-GLOBAL&jstjournalNo=U7087A") }}

著者 (2件)： ,
資料名：
巻： 12 ページ： 774 発行年： 2018年
JST資料番号： U7087A ISSN： 1662-453X 資料種別：逐次刊行物 (A)
記事区分：文献レビュー発行国：スイス (CHE) 言語：英語 (EN)

スパイキングニューラルネットワーク(SNNs)は生物学における情報処理に触発されており,そこではスパースおよび非同期二値信号が通信され,大量に並列に処理される。神経形態ハードウェア上のSNNSは,低消費電力,高速推論,およびイベント駆動情報処理のような好ましい特性を示す。これにより,多くの機械学習タスクに対する選択の方法である深いニューラルネットワークの効率的な実装のための興味深い候補となる。本レビューでは,従来の深い学習と競争力があるが,同時にハードウェアへの効率的なマッピングを可能にする方法において,深いスパイキングネットワークが提供し,訓練SNNに関連する課題を詳細に調べる機会に取り組んだ。SNNsのための広範囲の訓練方法を提示した。これは従来の深いネットワークのSNNsへの変換,変換前の制約された訓練,逆伝搬のスパイク変異体,およびSTDPの生物学的に動機付けられた変種からなる。本レビューの目的はSNN訓練法の分類を定義し,それらの利点と欠点を要約することである。さらに,効率的なディジタルハードウェア実装のために一般的になっているSNNsと二値ネットワークの間の関係について議論した。神経形態ハードウェアプラットフォームは,実世界応用において深いスパイキングネットワークを可能にする大きな可能性を持っている。過去数年にわたって開発された様々な神経形態システムの適合性を比較し,潜在的な使用事例を検討した。神経形態学的アプローチと従来の機械学習は,同じクラスの問題に対する単純な2つの解決策ではなく,代わりに,それらのタスク特異的利点を同定し,利用することが可能である。深いSNNは,新しいタイプのイベントベースのセンサ,時間的コードと局所的なオンチップ学習を利用する大きな機会を提供し,実際の応用において,これらの利点を実現する表面を簡単にスクラッチした。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

著者キーワード (6件)： , , , , ,

神経の基礎医学 , 精神障害の治療一般

引用文献 (199件)：

Aamir S. A., Stradmann Y., Müller P., Pehle C., Hartel A., Grübl A., et al. (2018). An accelerated LIF neuronal network array for a large scale mixed-signal neuromorphic architecture. arXiv [Preprint]. arXiv:1804.01906.
Amir A., Taba B., Berg D., Melano T., McKinstry J., Nolfo C. D., et al. (2017). "A low power, fully event-based gesture recognition system," in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Honolulu, HI: CVPR), 7388-7397.
Amodei D., Ananthanarayanan S., Anubhai R., Bai J., Battenberg E., Case C., et al. (2016). "Deep speech 2 : end-to-end speech recognition in English and Mandarin," in Proceedings of The 33rd International Conference on Machine Learning, volume 48 of Proceedings of Machine Learning Research, eds Balcan M. F., Weinberger K. Q. (New York, NY: PMLR),173-182.
Bardow P., Davison A. J., Leutenegger S. (2016). "Simultaneous optical flow and intensity estimation from an event camera," in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Las Vegas, NV: CVPR), 884-892.
Barranco F., Fermuller C., Aloimonos Y., Delbruck T. (2016). A dataset for visual navigation with neuromorphic methods. Front. Neurosci. 10:49. doi: 10.3389/fnins.2016.00049

, ,

前のページに戻る