الشبكات العصبية الشبهية المُنتظمة بالانتباه عبر الزمن للتصنيف من خلال تدفقات الأحداث

كيفية التعامل بكفاءة وفعالية مع تدفقات الأحداث الفضائية-الزمنية، حيث تكون الأحداث عادةً نادرة وغير منتظمة ولها دقة زمنية في مستوى الميكروثانية، يُعد أمرًا ذا قيمة كبيرة وله تطبيقات حقيقية متعددة. تُعد الشبكة العصبية المنبّهة (SNN)، كواحدة من نماذج الحوسبة المُحفَّزة بالأحداث المستوحاة من الدماغ، ذات إمكانية استخلاص ميزات فضائية-زمنية فعّالة من تدفقات الأحداث. ومع ذلك، عند دمج الأحداث الفردية في إطارات ذات دقة زمنية أعلى، لا تولي النماذج الحالية لـ SNN أهمية كافية لحقيقة أن الإطارات المتتالية تختلف في نسبة الإشارة إلى الضوضاء، نظرًا لأن تدفقات الأحداث نادرة وغير منتظمة. ويؤثر هذا الوضع سلبًا على أداء النماذج الحالية لـ SNN. في هذا العمل، نقترح نموذجًا جديدًا يُسمى SNN مع انتباه زمني (TA-SNN) لتعلم تمثيل مبني على الإطارات لمعالجة تدفقات الأحداث. وبشكل محدد، نوسع مفهوم الانتباه إلى المدخلات الزمنية لتحديد أهمية كل إطارة بالنسبة للقرار النهائي أثناء مرحلة التدريب، ثم نحذف الإطارات غير ذات صلة أثناء مرحلة الاستنتاج. ونُظهر أن نماذج TA-SNN تُحسّن دقة مهام تصنيف تدفقات الأحداث. كما ندرس تأثير استخدام دقة زمنية متعددة المقاييس في تمثيل الإطارات. تم اختبار نهجنا على ثلاث مهام تصنيف مختلفة: تمييز الإشارات اليدوية، تصنيف الصور، وتمييز الأرقام المُلقّاة. ونُعلن عن نتائج متفوقة على مستوى الحالة الحالية في هذه المهام، مع تحقيق تحسن جوهري في الدقة (ما يقارب 19٪) في تمييز الإشارات اليدوية باستخدام مدة زمنية فقط تبلغ 60 ميلي ثانية.