계층적 개념을 다중 뉴런 표현을 통해 스파이킹 신경망에 나타내고, 부분적인 정보가 주어졌을 때와 일부 뉴런 고장이 있을 때에도 개념을 인식할 수 있는 방법을 제시한다.
여행파동은 신경망에서 작업 기억 변수를 저장하는 데 사용될 수 있으며, 이는 전통적인 접근법과 다른 방식으로 정보를 저장한다.
SIMAP 계층은 신경망 모델의 해석 가능성을 높이기 위해 개발된 새로운 계층으로, 바리센트릭 좌표와 바리센트릭 세분화를 활용하여 기존 단순화 사상 신경망의 단점을 극복하고 있다.
신경망의 활성화 편향을 선형 제약 가중치를 통해 해결하여 신경망 학습을 효율적으로 가속화할 수 있다.
신경망의 활성화 편향을 선형 제약 가중치를 통해 감소시켜 신경망 학습을 효율적으로 수행할 수 있다.
신경망의 활성화 편향을 선형 제약 가중치를 통해 감소시켜 신경망 학습을 효율적으로 가속화할 수 있다.
깊은 신경망에서는 층 간 장벽이 존재하지 않으며, 층별 선형 연결성이 관찰됨
본 연구에서는 생물 모방 메커니즘을 활용하여 자체 정의된 목표를 설정하고, 이를 통해 무감독 엔드-투-엔드 학습을 수행하였다. 이 방법은 단순성과 반감독 학습과의 호환성으로 인해 특히 엣지 AI 하드웨어에 적합하다.
불확실성 하에서 고신뢰 신경망 대리 모델을 발견하기 위한 체계적인 프레임워크를 제시한다.
이벤트 구동 방식의 SNN은 기존 ANN 대비 높은 에너지 효율을 가지지만, 스파이크 기반 데이터 전달로 인해 정확도가 낮다. 본 연구에서는 단일 스파이크 위상 부호화와 기저 조작을 통해 ANN-to-SNN 변환 시 정확도 손실을 최소화하고 에너지 효율을 크게 향상시켰다.