使用动态结构改进高效持续学习的尖峰神经网络发展
原文中文，约300字，阅读约需1分钟。发表于：。我们提出了一种动态结构发展的脉冲神经网络 (DSD-SNN) 模型，通过动态地分配和增长神经元，并删除多余神经元，提高内存容量，减少计算开销，实现高效自适应的连续学习。我们的模型在多类增量学习和任务增量学习方面验证了其有效性，显著提升性能、学习速度和内存容量，同时在与现有方法的比较中，与基于深度神经网络 (DNNs) 的方法具有可比较的性能，并且明显优于基于脉冲神经网络 (SNNs) 的现有方法的性能。
本文介绍了一种名为动态结构发展的脉冲神经网络模型，通过动态分配和增长神经元，删除多余神经元，提高内存容量，减少计算开销，实现高效自适应的连续学习。该模型在多类增量学习和任务增量学习方面验证了其有效性，提升性能、学习速度和内存容量。与深度神经网络方法相比，该模型具有可比较的性能，并且明显优于脉冲神经网络的现有方法。
