Zobrazeno 1 - 10
of 140
pro vyhledávání: '"surrogate gradient"'
Autor:
Alexandre Bittar, Philip N. Garner
Publikováno v:
Frontiers in Neuroscience, Vol 18 (2024)
Understanding cognitive processes in the brain demands sophisticated models capable of replicating neural dynamics at large scales. We present a physiologically inspired speech recognition architecture, compatible and scalable with deep learning fram
Externí odkaz:
https://doaj.org/article/e05d8260d3284aaaafc1e4ee3897ddde
Publikováno v:
In Neurocomputing 1 March 2025 620
Publikováno v:
Biomimetics, Vol 9, Iss 10, p 646 (2024)
Spiking neural networks (SNNs), using action potentials (spikes) to represent and transmit information, are more biologically plausible than traditional artificial neural networks. However, most of the existing SNNs require a separate preprocessing s
Externí odkaz:
https://doaj.org/article/865d8769ab3041eeaaaeea2116d0eb13
Publikováno v:
Complex & Intelligent Systems, Vol 10, Iss 2, Pp 1937-1952 (2023)
Abstract Spiking Neural Network (SNN) is one of the mainstream frameworks for brain-like computing and neuromorphic computing, which has the potential to overcome current AI challenges, for example, low-power learning dynamic processes. However, ther
Externí odkaz:
https://doaj.org/article/8ccb96779f1f4cdb827c0227d149c930
Publikováno v:
Frontiers in Neuroscience, Vol 17 (2023)
Spiking neural networks (SNNs) are well-suited to process asynchronous event-based data. Most of the existing SNNs use rate-coding schemes that focus on firing rate (FR), and so they generally ignore the spike timing in events. On the contrary, metho
Externí odkaz:
https://doaj.org/article/8eddd8be773948e399c5c61812bd814f
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Frontiers in Computational Neuroscience, Vol 17 (2023)
A variety of advanced machine learning and deep learning algorithms achieve state-of-the-art performance on various temporal processing tasks. However, these methods are heavily energy inefficient—they run mainly on the power hungry CPUs and GPUs.
Externí odkaz:
https://doaj.org/article/1ea799b03ce948f98b567daa871d688b
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.