多層スパイキングニューラルネットワークで複数のスパイクの正確なタイミングを学習するための監視された学習アルゴリズム

情報が脳内のスパイクの正確なタイミングを通じてコード化されていることを証明する生物学的証拠があります。ただし、多層ネットワークでスパイクニューロンの集団をトレーニングして、複数の正確な時間に発砲することは依然として困難な作業です。遅延学習とスパイクニューラルネットワーク（SNN）の体重学習に対する遅延の効果は、徹底的に調査されていません。このペーパーでは、多層SNNで正確にタイミングで複数のスパイクを学習するための生物学的にもっともらしい監視された学習アルゴリズムを提案します。スパイクタイミング依存の可塑性学習ルールに基づいて、提案された学習方法は、体重と遅延学習の相乗効果を通じてSNNを訓練します。隠されたニューロンと出力ニューロンの重みは、並行して調整されます。提案された学習方法は、シナプス重量の学習に対するシナプス遅延の寄与を捉えています。ネットワークの異なるレイヤー間の相互作用は、出力ニューロンによって送信されたバイオフィードバック信号を通じて実現されます。訓練されたSNNは、時空間入力パターンの分類に使用されます。提案された学習方法はまた、誤分類に寄与する望ましくない時代にスパイクを発射しないようにスパイクネットワークを訓練します。UCI Machine Learningリポジトリのベンチマークデータセットの実験的評価は、提案された方法がDeep Beliedネットワークや自動エンコーダーモデルなどの古典的なレートベースの方法と同等の結果を持っていることを示しています。さらに、提案された方法は、単一層と同様の多層SNNよりも高い分類精度を達成できます。

There is a biological evidence to prove information is coded through precise timing of spikes in the brain. However, training a population of spiking neurons in a multilayer network to fire at multiple precise times remains a challenging task. Delay learning and the effect of a delay on weight learning in a spiking neural network (SNN) have not been investigated thoroughly. This paper proposes a novel biologically plausible supervised learning algorithm for learning precisely timed multiple spikes in a multilayer SNNs. Based on the spike-timing-dependent plasticity learning rule, the proposed learning method trains an SNN through the synergy between weight and delay learning. The weights of the hidden and output neurons are adjusted in parallel. The proposed learning method captures the contribution of synaptic delays to the learning of synaptic weights. Interaction between different layers of the network is realized through biofeedback signals sent by the output neurons. The trained SNN is used for the classification of spatiotemporal input patterns. The proposed learning method also trains the spiking network not to fire spikes at undesired times which contribute to misclassification. Experimental evaluation on benchmark data sets from the UCI machine learning repository shows that the proposed method has comparable results with classical rate-based methods such as deep belief network and the autoencoder models. Moreover, the proposed method can achieve higher classification accuracies than single layer and a similar multilayer SNN.