Modulating STDP With Back-Propagated Error Signals to Train SNNs for Audio Classification
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
Audio classification has many practical applications such as noise pollution detection, wildlife monitoring, speech recognition, and more. For many of these applications, deploying classifiers on low powered devices for persistent deployment is desirable. Artificial neural networks (ANN) have achieved state-of-the-art performance on audio classification tasks; however, it is not always feasible to deploy modern ANNs to embedded devices due to their high power consumption. Biologically inspired spiking neural networks (SNN) have been shown to significantly reduce power consumption during inference when compared with equivalent ANNs, and they have also been theoretically proven to be more computationally powerful than stateless ANNs. This work proposes an audio classification system using SNNs, and a learning algorithm is developed for classification with multilayer SNNs which combines biologically plausible spike-timing-dependent plasticity (STDP) with spatial error backpropagation. By allowing the STDP process to account for both temporal dependencies and the non-differentiable activation function derivative, the proposed learning rule successfully trains multilayer SNNs for the considered classification tasks. Through the STDP process, the proposed learning rule is also capable of online learning; explicit storage of values from previous timesteps is not required, in contrast to the widely adopted backpropagation through time (BPTT) algorithm. The proposed approach approaches the performance of SNNs trained via BPTT on the classification tasks. SNNs trained with the proposed learning rule are evaluated on the Iris Flower dataset, the Real-World Computing Partnership sounds dataset, the Free Spoken Digits Dataset, and the UrbanSound8k dataset.
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 | 0,001 |
| 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