PulseAugur
中
实时 09:13:54

脉冲神经网络（Burst Spiking Neural Networks）提升准确性和鲁棒性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员引入了脉冲神经网络（Burst Spiking Neural Networks, BuSNNs），以提高脉冲神经网络（SNNs）的准确性和鲁棒性，目标是使其成为人工神经网络（ANNs）可行的低功耗替代品。提出的BuSNNs利用增强脉冲的神经元（Burst-enhanced Spiking Neurons, BSNs）实现分级脉冲模式，并通过动态权重约束（Dynamic Weight Constraint, DWC）机制来减轻对输入扰动的敏感性。在CIFAR-10和ImageNet上的实验表明，BuSNNs在准确性和鲁棒性方面均优于传统SNNs，并接近量化ANNs的性能，同时保留了SNNs的能效。 AI

影响 引入了一种新颖的神经网络架构，提高了准确性和鲁棒性，有望实现更节能的AI应用。

排序理由 该集群包含一篇详细介绍新型神经网络架构的学术论文。

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 →

脉冲神经网络（Burst Spiking Neural Networks）提升准确性和鲁棒性

报道来源 [2]

  1. arXiv cs.AI TIER_1 Deutsch(DE) · Jiahong Zhang, Sijun Shen, Man Yao, Han Xu, Mingqiang Huang, Yonghong Tian, Bo Xu, Guoqi Li ·

    脉冲发放神经网络

    arXiv:2607.11914v1 Announce Type: cross Abstract: A central goal of current Spiking Neural Network (SNN) research is to improve their accuracy toward becoming low-power alternatives to Artificial Neural Networks (ANNs). This work further argues that realizing this ambition requir…

  2. arXiv cs.NE (Neural & Evolutionary) TIER_1 Deutsch(DE) · Guoqi Li ·

    Burst Spiking Neural Networks

    A central goal of current Spiking Neural Network (SNN) research is to improve their accuracy toward becoming low-power alternatives to Artificial Neural Networks (ANNs). This work further argues that realizing this ambition requires improving not only accuracy but also robustness…

相关实体

相关话题