講演抄録/キーワード |
講演名 |
2020-10-29 15:20
スパイキングニューロン間の局所相互作用に基づくリザーバ/出力層の教師なし学習の検討 ○加藤達暉・守谷 哲・山本英明・櫻庭政夫・佐藤茂雄(東北大) NC2020-12 |
抄録 |
(和) |
リザーバコンピューティングは計算コストの低さと物理実装の容易さから,エッジコンピューティングデバイスへの実装に適している.一方で,リッジ回帰をはじめとする,リザーバコンピューティングモデルの先行研究において広く用いられている学習則はリザーバや出力層の大域的情報を必要とし,これはアナログデバイスやアナログ回路を用いたエッジでのリザーバコンピューティングの実装においては制約となる.局所的な情報のみを用いた学習則として,スパイクタイミング依存可塑性(STDP)学習則がある.本研究では,リザーバと出力層をつなぐシナプスに複数の伝搬遅延を持たせることで,リザーバ内の時間スケールよりもはるかに長い入力時系列信号を,局所情報のみを用いて自律的に分離するリザーバコンピューティングモデルを提案する. |
(英) |
Reservoir computing is suitable for implementations in edge computing devices thanks to its low computational cost and ease of physical implementation. However, widely used learning methods, such as Ridge regression, require global information of reservoir states and readout layer. This makes it difficult to implement reservoir computing systems in edge computing devices based on analog devices and circuits. Spike-timing-dependent plasticity (STDP) is a learning method based solely on local information. In this study, we propose a reservoir computing model which can classify temporal patterns whose timescale is far longer than that of a reservoir. In order to obtain this property, we implement multiple conduction delays to readout synapses. |
キーワード |
(和) |
スパイクタイミング依存可塑性 / リザーバコンピューティング / 伝搬遅延 / スパイキングニューラルネットワーク / / / / |
(英) |
STDP / reservoir computing / conduction delay / spiking neural network / / / / |
文献情報 |
信学技報, vol. 120, no. 216, NC2020-12, pp. 21-23, 2020年10月. |
資料番号 |
NC2020-12 |
発行日 |
2020-10-22 (NC) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
NC2020-12 |