两篇新的arXiv论文探讨了硬件感知模型反演和忆阻器脉冲神经网络(SNNs)中设备感知可塑性的复杂性。第一篇论文介绍了脉冲域模型反演(SDMI),用于评估忆阻器SNNs中的隐私泄露,发现硬件变异性可能意外地提高重构保真度,挑战了硬件缺陷本身具有隐私保护作用的观点。第二篇论文研究了状态相关的忆阻器动力学如何影响SNNs中的脉冲时序依赖可塑性(STDP),证明了设备感知的混合学习规则在MNIST和Fashion-MNIST上的准确性高于直接裁剪STDP,并且在训练期间引入的故障比在训练后引入的故障损害更小。 AI
影响 这些研究促进了对硬件对专用神经网络的AI隐私和学习效率影响的理解。
排序理由 两篇在arXiv上发表的学术论文,详细介绍了脉冲神经网络的新方法和发现。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- arXiv
- Fashion-MNIST
- memristor
- MNIST
- Samiur Rahman Khan
- Spike-timing dependent plasticity
- Spiking neural networks
- Expectation over Transformation
- Memristive Probabilistic Computing
- Pablo Sorrentino
- Spiking Domain Model Inversion
- Structural Similarity Index Measure
- Surrogate gradients for analog neuromorphic computing
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →