이 논문에서는 스파이킹 신경망(SNN)의 활성 전파 문제를 다룬다. SNN은 생물학적 뉴런의 동작을 모방하여 이산적인 스파이크 신호로 정보를 전달하는 신경망이다. 이러한 특성으로 인해 SNN은 기존 인공신경망(ANN)에 비해 낮은 전력 소비와 높은 계산 효율성을 가지지만, 깊은 네트워크를 학습하는 데 어려움이 있다.
저자들은 SNN의 활성 전파 문제를 해결하기 위해 가중치 초기화 방법을 제안한다. 기존 ANN에 사용되는 Kaiming 초기화 방법은 SNN에 적합하지 않으며, 깊은 층으로 갈수록 활성이 소멸되는 문제가 발생한다. 이에 반해 저자들이 제안한 초기화 방법은 SNN의 활성화 함수 특성을 고려하여 유도되었으며, 이론적으로 깊은 SNN에서도 활성이 잘 전파될 수 있음을 보였다.
실험 결과, 제안된 초기화 방법은 100층 깊이의 SNN에서도 활성을 잘 유지할 수 있었다. 반면 Kaiming 초기화를 사용하면 깊은 층으로 갈수록 활성이 소멸되는 문제가 발생했다. 또한 제안 방법은 뉴런 하이퍼파라미터 변화에도 강건한 것으로 나타났다.
추가로 다중 시간 단계 실험에서도 제안 방법이 Kaiming 초기화보다 우수한 성능을 보였다. 이를 통해 제안 방법이 시간 영역에서도 효과적으로 활성을 전파할 수 있음을 확인했다.
마지막으로 MNIST 데이터셋 실험에서 제안 방법이 Kaiming 초기화 대비 더 빠른 수렴 속도와 높은 정확도를 달성했다. 이는 제안 방법이 SNN 학습에 효과적으로 적용될 수 있음을 보여준다.
A otro idioma
del contenido fuente
arxiv.org
Consultas más profundas