BriefGPT - AI 论文速递
·
LM-HT SNN：通过可学习的多层次阈值模型增强 SNN 至 ANN 的性能
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
通过分析多阈值模型、简单尖峰模型和量化人工神经网络之间的关系，提出了一种新颖的LM-HT模型，可以动态调节全局输入电流和膜电位漏电。该模型可以与传统的ANN-SNN转化框架集成，提高低时间延迟下经过转换的SNN的性能。实验证明，LM-HT模型在各类数据集上优于之前的最先进工作，达到了与量化ANNs相当的性能水平。
🎯
关键要点
- 分析多阈值模型、简单尖峰模型和量化人工神经网络之间的关系。
- 提出了一种新颖的LM-HT模型，能够动态调节全局输入电流和膜电位漏电。
- LM-HT模型是一个等距多层次模型，具有时间维度上的调节能力。
- 该模型可以与传统的ANN-SNN转化框架无缝集成。
- 新颖的混合学习框架有效提高低时间延迟下经过转换的SNN性能。
- 实验证明LM-HT模型在各类数据集上优于之前的最先进工作。
- LM-HT模型促使SNNs达到了与量化ANNs相当的性能水平。
🏷️
标签
➡️
