PulseAugur
中
实时 17:22:47

新的DSTD方法实现了连续时间SNN的可扩展训练

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为可微分脉冲时间离散化（DSTD）的新方法，以实现更高效的连续时间脉冲神经网络（SNN）训练。该方法通过用固定时间间隔近似连续时间动力学，而不是依赖于输入相关的计算，显著降低了内存消耗和训练时间。DSTD框架结合时间正则化技术，允许在标准硬件上训练更深的SNN，并在CIFAR-10和Fashion-MNIST等数据集上成功应用于卷积SNN。 AI

影响 这项研究可能带来更高效、可扩展的SNN训练，从而在神经形态计算和时间数据处理领域实现新的应用。

排序理由 该集群包含一篇详细介绍新神经网络训练方法的学术论文。

在 arXiv cs.LG 阅读 →

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

新的DSTD方法实现了连续时间SNN的可扩展训练

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Yusuke Sakemi, Tomoya Takeuchi, Takeo Hosomi, Kazuyuki Aihara ·

    具有可微分脉冲时间离散化的连续时间脉冲神经网络的可扩展训练

    arXiv:2607.14672v1 Announce Type: new Abstract: Continuous-time spiking neural networks (SNNs) provide an event-driven framework for temporal computation, computational neuroscience, and neuromorphic hardware. However, training deep continuous-time SNNs is severely constrained by…

  2. arXiv cs.LG TIER_1 English(EN) · Kazuyuki Aihara ·

    具有可微分脉冲时间离散化的连续时间脉冲神经网络的可扩展训练

    Continuous-time spiking neural networks (SNNs) provide an event-driven framework for temporal computation, computational neuroscience, and neuromorphic hardware. However, training deep continuous-time SNNs is severely constrained by the memory required for exact spike-time comput…

相关实体

相关话题