Spiking neural network with local plasticity and sparse connectivity for audio classification

Цель. Исследование возможности реализации метода классификации данных на базе спайковой нейронной сети, которая обладает низким количеством связей и обучается на основе правил локальной пластичности Spike-Timing-Dependent Plasticity. Методы. В качестве базовой архитектуры спайковой нейронной сети используется сеть, включающая входной слой и слои возбуждающих и тормозных спайковых нейронов с утечкой (Leaky Integrate and Fire). Исследуются различные варианты организации связей в выбранной нейросетевой архитектуре. Предложен метод организации связности между слоями нейронов, в котором синаптическая связь формируется с некоторой вероятностью, рассчитываемой на основе пространственного расположения нейронов в слоях. При этом ограничение области связности приводит к более высокой разреженности связей в общей сети. Кодирование данных в спайковые последовательности проводится частотным способом, а для декодирования применяется логистическая регрессия. Результаты. В результате на базе предложенного метода организации связей реализован набор архитектур спайковых нейронных сетей с различными коэффициентами связности для разных слоев исходной сети. Проведено исследование полученных архитектур спайковых сетей с использованием набора Free Spoken Digits, состоящего из 3000 аудиозаписей, соответствующих 10 классам цифр от 0 до 9. Заключение. Показано, что предлагаемый метод организации связей для выбранной спайковой нейронной сети позволяет снизить количество связей до 60