Cutting FLOPs Overhead with SNT and LReSuMe: A Noise-Tolerant Spiking Classifier
Notice bibliographique
Résumé
Spiking neural networks (SNNs) operate with discrete spikes, naturally aligning with temporal data and offering sub-milliwatt operation. Their accuracy, however, can collapse when spike timing is perturbed by sensor or environmental noise. We address this vulnerability with two innovations. First, this study introduces a Sensitive Noise-Threshold (SNT), a learnable variable firing threshold that adapts online to the local noise statistics, suppressing spurious spikes while preserving salient ones. Second, this study proposes the Limited Remote Supervised Method (LReSuMe), a lightweight gradient-free rule that supports online learning and enhances spike intensity at the target time. Compared with an equivalently-sized$400 \times 10 \text{ANN}$, the single-layer SNN in this study requires 18% fewer floating-point operations (FLOPs) for inference (6610 vs 8029 FLOPs per sample) and 90% fewer FLOPs for weight update (1200 vs 12030 FLOPs per sample). Despite a marginal 5% drop in peak accuracy, the SNN is 52.79% more accurate than the ANN when 250 random pixels are corrupted, demonstrating a substantial robustness gain under severe noise conditions. These results, obtained entirely in software, indicate that the SNT + LReSuMe framework delivers robust, low-resource online learning; mapping the design onto an FPGA is left as ongoing work for energy-constrained vision sensors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».