文献

J-GLOBAL ID：202002226095054178   整理番号：20A2282899

スパイキングニューラルネットワークにおける雑音性シナプス重みに対するロバスト性【JST・京大機械翻訳】

Robustness to Noisy Synaptic Weights in Spiking Neural Networks

著者 (4件)： Li Chen (The University of Manchester,Department of Computer Science,Manchester,UK) ,  Chen Runze (The University of Manchester,Department of Computer Science,Manchester,UK) ,  Moutafis Christoforos (The University of Manchester,Department of Computer Science,Manchester,UK) ,  Furber Steve (The University of Manchester,Department of Computer Science,Manchester,UK)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IJCNN  ページ： 1-8  発行年： 2020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,神経形態学的ハードウェアに関する電力効率およびイベントベースコンピューティングを達成するための有望なニューラルネットワークモデルである。SNNは本質的に雑音を含み,離散1ビットスパイクに関連する雑音と同様に雑音入力に対してロバストである。本論文では,SNNがいくつかの条件下で人工ニューラルネットワーク(ANN)よりもシナプス重みにおけるGauss雑音に対してロバストであることを見出した。この知見は,SNNsにおける神経動力学の理解とANNsと比較してSNNsの利点を強化するであろう。著者らの結果は,SNNにおける情報記憶媒体として固有雑音を有する高性能切削エッジ材料の使用の可能性を意味する。Copyright 2020 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： *雑音 ,  切削 ,  *ニューラルネットワーク ,  *シナプス ,  Gauss雑音 ,  ハードウェア ,  記憶媒体 ,  *ロバスト性 ,  電力効率
準シソーラス用語： 神経回路網モデル ,  *スパイキングニューラルネットワーク ,  神経形態学 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： スパイキングニューラルネットワーク ,  雑音 ,  シナプス ,  ロバスト性