Core Concepts
カーネルサイズスケーリングを通して、組み込みスパイキングニューラルネットワークの精度を向上させる手法を提案する。
Abstract
本研究では、組み込みスパイキングニューラルネットワーク(SNN)の精度向上のための新しい手法を提案している。
主な手順は以下の通りである:
異なるカーネルサイズがSNNの精度に与える影響を調査する。
新しいカーネルサイズのセットを考案する。
新しいカーネルサイズのセットを用いてSNNアーキテクチャを生成し、探索時間を短縮する。
精度とメモリ使用量のトレードオフを分析し、適切なSNNモデルを選択する。
実験結果から、提案手法は、CIFAR10では93.24%、CIFAR100では70.84%の高精度を達成しつつ、10M未満のパラメータ数で実現できることが示された。また、探索時間も最大3.45倍高速化できた。これにより、提案手法は組み込みアプリケーションに適した高精度かつメモリ効率的なSNNの実現を可能にする。
Stats
CIFAR10データセットにおいて、提案手法の1x1 3x3 5000xアーキテクチャは92.85%の精度を達成した。
CIFAR100データセットにおいて、提案手法の1x1 5x5 1000xアーキテクチャは70.84%の精度を達成した。
Quotes
"カーネルサイズを大きくすることで、SNNの精度を向上させることができる。特に、クラス数の多いタスクでは大きなカーネルサイズの恩恵が大きい。"
"提案手法は、メモリ制約を満たしつつ高精度なSNNモデルを選択することができる。"