Entrenamiento supervisado de redes neuronales de impulsos

Abstract

En este trabajo se explora una nueva estrategia de entrenamiento supervisado con Redes Neuronales de Impulsos (Spiking Neural Network, SNN) para forecasting en series temporales. En la actualidad, la inmensa mayoría de los trabajos en SNN se centran principalmente en problemas de clasificación, muy especialmente de imágenes. En este sentido, el trabajo aquí presentado es uno de los primeros trabajos en aplicar SNN para forecasting de series temporales, siendo los resultados muy prometedores. Para validar la metodología se han empleado dos bases de datos: información bursátil de IBM, y señales EEG. Entre los resultados, se demuestra que el rendimiento de la SNN depende, como cabía esperar, de la dinámica de la señal o serie temporal a predecir.

SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence

“…The increasing number of adoptions by the community is symbolic of the success of a framework. Since being open-sourced in December 2019, SpikingJelly has been widely used in many spiking deep learning studies, including adversarial attack (100, 101), ANN2SNN (95,(102)(103)(104)(105)(106), attention mechanisms (107,108), depth estimation from DVS data (69,109), development of innovative materials (110), emotion recognition (111), energy estimation (112), eventbased video reconstruction (113), fault diagnosis (114), hardware design (115)(116)(117), network structure improvements (60,61,(118)(119)(120)(121), spiking neuron improvements (56,(122)(123)(124)(125)(126)(127), training method improvements (128)(129)(130)(131)(132)(133)(134)(135)(136)(137)(138), medical diagnosis (139,140), network pruning …”