ニューモルフィックデータ拡張によるスパイキングニューラルネットワークの学習

スパイキングニューラルネットワーク（SNNs）をイベントベースのデータセットで用いてニューモルフィック知能を開発することは、最近多くの研究者の注目を集めています。しかし、イベントベースのデータセットのサイズが限られているため、SNNsは過学習になりやすく、収束も不安定になります。この問題は、これまでの学術研究では十分に検討されていませんでした。この一般化ギャップを最小限に抑えるために、私たちはニューモルフィックデータ拡張（NDA）という手法を提案します。これは、イベントベースのデータセットに対して特別に設計された幾何学的な拡張方法であり、SNNの訓練を大幅に安定させ、訓練時とテスト時の一般化ギャップを縮小することを目指しています。提案する手法は単純であり、既存のSNN訓練パイプラインと互換性があります。本手法を使用して初めて、SNNsにおける教師なし対照的学習の実現可能性を示しました。私たちは主要なニューモルフィックビジョンベンチマークで包括的な実験を行い、NDAが従来の最先端結果よりも大幅な改善をもたらすことを示しました。例えば、NDAに基づくSNNはCIFAR10-DVSとN-Caltech 101においてそれぞれ10.1%と13.7%の精度向上を達成しました。コードはGitHubで公開されています: https://github.com/Intelligent-Computing-Lab-Yale/NDA_SNN