PulseAugur
中
实时 09:24:44
English(EN) Improving Performance of Spike-based Deep Q-Learning using Ternary Neurons

新型三元神经元模型提升深度Q学习性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的三元脉冲神经元模型，以增强深度Q学习任务中二元脉冲神经元的表征能力。该新模型旨在减轻梯度估计偏差，这被认为是先前三元神经元模型中观察到的性能下降的一个假定原因。当集成到深度脉冲Q学习网络（DSQN）并在七款Atari游戏中进行测试时，所提出的三元神经元在性能上优于二元神经元，并解决了先前三元模型中出现的显著性能下降问题，从而使DSQN成为自主决策的更可行选项。 AI

影响 这项研究可能为实时决策任务带来更高效、更强大的AI代理。

排序理由 该集群包含一篇详细介绍新型脉冲神经元模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型三元神经元模型提升深度Q学习性能

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Aref Ghoreishee, Abhishek Mishra, John Walsh, Anup Das, Nagarajan Kandasamy ·

    使用三元神经元改进基于脉冲的深度Q学习性能

    arXiv:2506.03392v2 Announce Type: replace Abstract: We propose a new ternary spiking neuron model to improve the representation capacity of binary spiking neurons in deep Q-learning. Although a ternary neuron model has recently been introduced to overcome the limited representati…

相关话题