脉冲神经元泄漏和网络重现对基于事件的时空模式识别的影响
摘要：神经形态硬件和事件驱动传感器与脉冲神经网络的耦合在边缘计算中越来越受到关注，因为它们具有低延迟和低功耗的特点。然而，已经在文献中提出了多种脉冲神经元模型，这些模型具有不同的生物合理性和计算特性。因此，有必要定义生物学中的适当抽象水平，以在神经形态硬件中实现准确、高效和快速的推理。在这种背景下，我们探讨了突触和膜泄漏对脉冲神经元的影响。我们使用前馈和循环拓扑来进行事件驱动的视觉和听觉模式识别，并通过对比三种不同计算复杂性的神经模型来评估结果。我们的结果表明，在准确性方面，当数据中同时存在时间信息和网络中明确的循环时，泄漏是重要的。另外，泄漏并不一定会增加网络中脉冲的稀疏性。我们还研究了泄漏时间常数的异质性对结果的影响，结果显示在使用具有丰富时间结构的数据时，准确性略有改善。这些结果推进了我们对神经泄漏和网络循环的计算作用的理解，并为设计嵌入式系统中的紧凑高效的神经形态硬件提供了有价值的见解。
作者：Mohamed Sadek Bouanane, Dalila Cherifi, Elisabetta Chicca, Lyes Khacef
论文ID：2211.07761
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-11-16