Please use this identifier to cite or link to this item:
https://elib.bsu.by/handle/123456789/288526| Title: | Методы прямого обучения глубоких импульсных нейронных сетей |
| Other Titles: | Direct learning methods for deep pulsed neural networks / Yu. M. Vuvunikian, Chen WanLi |
| Authors: | Вувуникян, Ю. М. Чэнь Ваньли |
| Keywords: | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика |
| Issue Date: | 2022 |
| Publisher: | Минск : БГУ |
| Citation: | Информационные системы и технологии = Information Systems and Technologies : материалы междунар. науч. конгресса по информатике. В 3 ч. Ч. 2, Респ. Беларусь, Минск, 27–28 окт. 2022 г. / Белорус. гос. ун-т ; редкол.: С. В. Абламейко (гл. ред.) [и др.]. – Минск : БГУ, 2022. – С. 112-116. |
| Abstract: | Импульсные или спайковые нейронные сети (SNN) способны моделировать пространственно-временную информацию и имеют широкие перспективы применения для выявления поведения, подобного мозгу. Недавние схемы, такие как предварительное обучение искусственных нейронных сетей (ИНС) или прямое обучение на основе обратного распространения, обеспечивают высокоэффективное контролируемое обучение SNN. Но другая потенциальная проблема заключается в том, что в импульсных нейронных сетях пиковая активность не дифференцируема, что усложняет контролируемое обучение SNN. Поэтому нам нужны новые алгоритмы для прямого обучения глубоких SNN. В настоящей работе предложен эффективный метод пакетной нормализации, зависящий от порога, для алгоритма пространственно-временного обратного распространения |
| Abstract (in another language): | Pulsed or spiking neural networks (SNNs) are capable of modeling spatiotemporal information and have broad application prospects for detecting brain-like behavior. Recent schemes such as artificial neural network (ANN) pretraining or backpropagation (BP) forward learning provide highly efficient supervised learning for SNNs. But another potential problem is that in bursty neural networks, peak activity is not differentiable, which makes it difficult to supervise SNN training. Therefore, we need new algorithms for direct learning of deep SNNs. In this paper, we propose an efficient threshold-dependent batch normalization method for the spatiotemporal backpropagation algorithm |
| URI: | https://elib.bsu.by/handle/123456789/288526 |
| ISBN: | 978-985-881-425-0 (ч. 2); ISBN 978-985-881-427-4 |
| Licence: | info:eu-repo/semantics/openAccess |
| Appears in Collections: | 2022. Информационные системы и технологии |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 112-116.pdf | 223,26 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.