Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
AR-LIF : neurone à réinitialisation adaptative et à intégration et déclenchement de fuites pour les réseaux neuronaux à pointes
Created by
Haebom
Auteur
Zeyu Huang, Wei Meng, Quan Liu, Kun Chen, Li Ma
Contour
Cet article traite des réseaux de neurones à impulsions (SNN), qui offrent une faible consommation énergétique grâce à leur nature événementielle. Au-delà des sorties binaires à impulsions, la dynamique unique en virgule flottante des SNN exige une attention particulière. Les seuils neuronaux et les modes de réinitialisation sont des facteurs cruciaux pour déterminer le nombre et le moment des impulsions. Les réinitialisations matérielles entraînent une perte d'information, tandis que les réinitialisations logicielles appliquent un traitement uniforme aux neurones. Pour résoudre ces problèmes, nous concevons des neurones à réinitialisation dynamique qui établissent des relations entre les entrées, les sorties et les réinitialisations, en intégrant une stratégie d'ajustement de seuil simple mais efficace. Les résultats expérimentaux démontrent que la méthode proposée atteint d'excellentes performances tout en maintenant une faible consommation énergétique. Nous atteignons notamment une précision de pointe sur Tiny-ImageNet et CIFAR10-DVS. Le code est disponible à l' adresse https://github.com/2ephyrus/AR-LIF .
Takeaways, Limitations
•
Takeaways:
◦
Nous proposons la possibilité d'améliorer les performances et l'efficacité énergétique des SNN en concevant des neurones de réinitialisation adaptatifs qui prennent en compte les relations entre l'entrée, la sortie et la réinitialisation.
◦
Atteindre les performances SOTA sur les ensembles de données Tiny-ImageNet et CIFAR10-DVS.
◦
Présentation d'une stratégie efficace d'ajustement des seuils.
◦
La reproductibilité est assurée grâce à un code ouvert.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation de la méthode proposée.
◦
Les résultats expérimentaux sur diverses architectures et ensembles de données SNN sont limités.
◦
L’analyse quantitative des réductions de consommation d’énergie peut faire défaut.
