Компьютерные науки > Машинное обучение [представлено 13 октября 2025 года (v1), последний пересмотренный вариант от 8 октября 2026 года (эта версия v2)) Название: Местные временные ворота для часовых-роувертных Нейронных сетей Вид PDF HTML (экспериментальный) резюме: Спиринг нейтральных сетей (SNNs) обещает энергоэффективный искусственный интеллект в неврорфическом оборудовании, но борется с задачами, требующими как быстрой адаптации, так и долгосрочной памяти, особенно при непрерывном обучении. Мы предлагаем локальный временной Гейтинг (LT-Gate) - нейронную модель, сочетающую двойную динамику с адаптивным механизмом глянцев. Каждый скачок нейрона отслеживает информацию в быстром и медленном масштабе параллельно, а местные опытные ворота корректируют их влияние. Такая конструкция позволяет отдельным нейронам сохранять медленную контекстуальную информацию, реагируя при этом на быстрые сигналы и решая дилемму устойчивости-пластиковости. Мы далее введем систему отслеживания отклонений, которая стабилизирует огневую активность под воздействием биологического гомеостаза. Эмпирически LT-Gate обеспечивает значительно более высокую точность и сохранение в последовательной работе по обучению: при сложной временной классификации она достигает примерно 51% конечной точности, тогда как для недавно созданной системы непрерывного обучения в Геббиане этот показатель составляет около 46%, а для ранее применявшихся методов СиЭн - ниже. В отличие от подходов, требующих внешнего переиграния…
Местные временные врата для нервных сетей, работающих по принципу " время-роуверситет >
arXiv: 2510.10.12843v2 Annuales Type: заменить резюме: Spiking нейронные сети (SNNs) обещают энергоэффективный искусственный интеллект в нейроморфном оборудовании, но борются с задачами, требующими как быстрой адаптации, так и долгосрочной памяти, особенно при непрерывном обучении. Мы предлагаем локальный временной Гейтинг (LT-Gate) - нейронную модель, сочетающую двойную динамику с адаптивным механизмом глянцев. Каждый скачок нейрона отслеживает информацию в быстром и медленном масштабе параллельно, а местные опытные ворота корректируют их влияние. Такая конструкция позволяет отдельным нейронам сохранять медленную контекстуальную информацию, реагируя при этом на быстрые сигналы и решая дилемму устойчивости-пластиковости. Мы далее введем систему отслеживания отклонений, которая стабилизирует огневую активность под воздействием биологического гомеостаза. Эмпирически LT-Gate позволяет значительно повысить точность и сохранить в последовательной работе по обучению: при сложной временной классификации он достигает примерно 51 p