09:59
arXiv cs.LG@Taharim Rahman Anon, Jakaria Islam Emon
推荐理由：这篇论文给脉冲神经网络设计了个自适应语音编码器，参数少还能在GSC-v2上跑到94.97%，比很多大模型都强，还比较了两种训练方式。
全部 AI 动态
AI 相关资讯全量信息流
6月18日
09:59
提出可学习的残差语音到脉冲编码器，与Recurrent Leaky Integrate-and-Fire (R-LIF)骨干联合训练。在Google Speech Commands v2 (GSC-v2)基准上达到94.97%准确率。35k参数的紧凑变体达到89.8%，匹配或超越参数多一个数量级的基线。编码器学习任务对齐的脉冲表示，提升类别可分性。Direct Feedback Alignment (DFA)在相同设置下达到91.5%，量化了生物启发学习规则的性能权衡。
6月16日
20:46
AITOP6月16日 20:46
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
6月3日
10:39
10:39
arXiv cs.LG@Carlo Wenig, Raoul-Martin Memmesheimer, Christian Klos
推荐理由：做SNN训练或神经形态计算的团队，LIF的脉冲不连续问题可能让你头疼——QIF神经元直接解决了这个痛点，性能更好且训练更稳定，值得在项目中试试替换。
5月11日
11:43
11:43arXiv cs.AI（学术论文）
推荐理由：该工作从理论层面解决了SNN训练中梯度近似误差累积的难题，提出的参数重建算法在多个基准任务上验证了有效性，为大规模低能耗SNN训练提供了新路径。