Reti a Conducibilità Multi-Temporale per un Miglioramento dell'Elaborazione Temporale
I ricercatori hanno introdotto le reti a conducibilità multi-temporale, un framework addestrabile tramite gradiente che supera le limitazioni delle reti neurali spike (SNN) nei compiti temporali. Il framework modella la curva corrente-tensione (I-V) regolando conducibilità veloci, lente e ultra-lente, consentendo un controllo sistematico dell'eccitabilità e dinamiche di scarica ricche. Questo approccio può essere implementato efficientemente in circuiti analogici e offre un'elevata sparsità di attività, superando i compromessi tra addestrabilità basata su gradiente, ricchezza dinamica e sparsità comuni nelle SNN all'avanguardia. Il lavoro si concentra su compiti di regressione in cui l'errore di approssimazione, il rumore e la discretizzazione degli spike degradano le uscite a valori continui. L'articolo è disponibile su arXiv con ID 2605.11835.
Fatti principali
- Le reti a conducibilità multi-temporale sono introdotte come un framework addestrabile tramite gradiente.
- Le dinamiche neurali emergono dalla modellazione della curva I-V regolando conducibilità veloci, lente e ultra-lente.
- La parametrizzazione consente un controllo sistematico dell'eccitabilità e produce regimi di scarica ricchi.
- Il framework può essere implementato efficientemente in circuiti analogici.
- Affronta le limitazioni delle SNN nell'elaborazione temporale, in particolare nei compiti di regressione.
- Le SNN all'avanguardia spesso si basano su dinamiche fenomenologiche semplici con gradienti surrogati.
- L'articolo è pubblicato su arXiv con ID 2605.11835.
- L'approccio offre un'elevata sparsità di attività.
Entità
Istituzioni
- arXiv