PulseAugur
中
实时 04:47:19
English(EN) Unified Complex-valued Neural Network: A Magnitude-Phase Computational Model for Event-Driven Neuromorphic Learning

新型统一复值神经网络整合连续和事件驱动学习

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的统一复值神经网络（UCNN），它整合了连续值表示和事件驱动的时间处理。该新模型基于统一复值神经元（UCN），使用幅度编码信号强度，并使用相位控制时间演化和脉冲发射。UCNN框架支持通过反向传播和反向传播随时间进行训练，并提供了一种事件驱动的自适应相位学习规则，作为一种计算效率更高的替代方案。在目标跟踪和洛伦兹吸引子学习中的评估表明，UCNN在保持稀疏、事件驱动的计算（适用于神经形态和边缘AI应用）的同时，能够实现准确、稳定且可解释的时空学习。 AI

影响 这种新颖的神经网络架构可以为神经形态和边缘AI应用实现更高效、更可解释的时空学习。

排序理由 该集群包含一篇详细介绍新颖神经网络架构的研究论文。

在 arXiv cs.NE (Neural & Evolutionary) 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新型统一复值神经网络整合连续和事件驱动学习

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Reza Ahmadvand, Sarah Safura Sharif, Yaser Mike Banad ·

    统一复值神经网络：事件驱动神经形态学习的幅相计算模型

    arXiv:2606.29099v1 Announce Type: cross Abstract: Artificial neural networks (ANN) provide accurate continuous-valued representation, whereas spiking neural networks (SNN) offer event-driven temporal processing, yet both paradigms face limitations when value encoding and timing d…

  2. arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Yaser Mike Banad ·

    统一复值神经网络：事件驱动神经形态学习的幅相计算模型

    Artificial neural networks (ANN) provide accurate continuous-valued representation, whereas spiking neural networks (SNN) offer event-driven temporal processing, yet both paradigms face limitations when value encoding and timing dynamics must be learned within a single computatio…

相关实体

相关话题