Signal-to-event encoding parameter selection for multiple event classification with spiking neural networks
Notice bibliographique
Résumé
Event-driven systems can operate either on discrete-time event streams or on analog signals transformed into the event domain by a predefined encoding scheme. This paper studies the problem of optimal event-based signal encoding if data are to be processed by a machine learning model, such as the spiking neural network (SNN). We introduce a method of encoding parameter selection that evaluates a k-Nearest Neighbor (k-NN) classifier operating on a measure of the event stream distance in multiple trials of a Bayesian optimization process. The efficiency of the proposed method is assessed by relating the classification performance with the number of events produced by a signal-to-event encoding scheme. The proposed method is validated for vehicle monitoring sensor data with three event-based encoding schemes: level-crossing encoding, send-on-delta, and leaky integrate-and-fire encoder. The best-performing sets of encoding parameters give an average accuracy of up to 0.912 for the k-NN classification, while producing 97.8% fewer number of samples than for the classical periodic discrete-time signal representation. Additionally, we train the SNN classifiers on data encoded according to the selected sets of parameters, achieving an average classification accuracy of up to 0.946, improving upon the k-NN baseline. This shows that the proposed model-agnostic signal-to-event encoding parameter selection is promising for training sophisticated machine learning models.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».