Core Concepts
SAF ermöglicht effizientes Training von SNNs durch Halbierung der Operationen während des Vorwärtsprozesses und Konsistenz mit Spike Representation und OTTT.
Abstract
Einleitung:
SNNs sind energieeffizient und bio-plausible Modelle im Vergleich zu ANNs.
Vorgeschlagene Methode SAF:
Propagiert Spike-Akkumulation für Training und Spike-Trains für Inferenz.
Reduziert Operationen und Speichern von Membranpotentialen.
Experimente:
CIFAR-10 und CIFAR-100 Datensätze verwendet.
SAF-E äquivalent zu OTTTO, SAF-F äquivalent zu Spike Representation.
Vergleich:
SAF-E reduziert Trainingszeit und Speichern im Vergleich zu OTTTO.
SAF-F zeigt ähnliche Genauigkeit wie OTTTA, aber mit geringerer Trainingszeit und Speichern.
Stats
OTTT erlaubt Inferenz bei jedem Zeitschritt.
SAF halbiert die Anzahl der Operationen während des Vorwärtsprozesses.
Quotes
"SAF kann halbieren die Anzahl der Operationen während des Vorwärtsprozesses."
"SAF ist konsistent mit Spike Representation und OTTT."