抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
スパイキングニューラルネットワーク(SNNs)は,時間的情報と低い電力消費を処理する能力のため,研究者の興味を秘めている。しかし,現在の最先端の方法は,それらのニューロンが単純なLeaky-Integate-and-Fire(LIF)モデルに一般的に構築されるので,それらの生物学的可能性と性能を制限した。高レベルの動的複雑性のため,現代のニューロンモデルは,SNN実践においてほとんど実行されていない。本研究では,最近のニューロンモデル,すなわちIzhikevichニューロンを統合するために,神経力学分野でしばしば利用される技術,位相平面解析(PPA)技術を採用した。神経科学の進歩の知見に基づき,IzhikevichニューロンモデルはLIFニューロンと同程度の計算コストを維持しながら生物学的にもっともらしい。採用したPPAを利用して,修正Izhikevichモデルで構築されたニューロンをSNN実践に実装し,標準化Izhikevich Tonic(SIT)ニューロンとしてdubbedした。性能のために,著者らは,静的MNIST,Fashion-MNIST,CIFAR-10データセット,および神経形態学的N-MNIST,CIFAR10-DVS,およびDVS128Gestureデータセットにおけるハイブリッドニューラルネットワーク(HNN)と名付けた,自己構築LIF-およびSIT-コンシステッドSNNにおける画像分類タスクのための提案技術を評価した。実験結果は,提案された方法がほぼすべてのテストデータセットでより生物学的に現実的な挙動を示す一方,同等の精度を達成し,神経力学とSNN実践の間のギャップを埋めるこの新規な戦略の効率を実証することを示した。【JST・京大機械翻訳】