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 <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$400 \times 10 \text{ANN}$</tex>, 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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».