Improved Spiking Neural Networks with multiple neurons for digit recognition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For more than a decade Deep Learning, a subset of machine learning have been using for many applications such as forecasting, data visualization, classification etc. However, it consumes more energy and also takes longer training periods for computation, when compared to human brain. In most cases, it is difficult to reach human level performance. With the recent technological improvements in neuroscience and thanks to neuromorphic computing, we now can achieve higher classification efficacy for producing the desired outputs with considerably lower power consumption. Latest advancements in brain simulation technologies has given a breakthrough for analysing and modelling brain functions. Despite its advancements, this research remains undiscovered due to lack of coordination between neuroscientists, electronics engineers and computer scientists. Recent progress in Spiking Neural Networks(SNN) led towards integration different fields under one single roof. Biological neurons inside human brain communicate with each other through synapses. Similarly, bio-inspired synapses in the neuromorphic model mimic the biological neuro synapses for computing. In this novel research, we have modelled a supervised Spiking Neural Network algorithm using Leaky Integrate and Fire (LIF), Izhikevich and rectified linear neurons and tested its spike latency under different conditions. Furthermore, these SNN models are tested on the MNIST dataset to classify the handwritten digits, and the results are compared with the results of the Convolutional Neural Network (CNN).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle