Ludivine LASSERRE : One Spiking Neuron Classification Based on Kolmogorov Complexity
Cet article examine le potentiel d'un réseau neuronal minimaliste à impulsions pour les tâches de reconnaissance de chiffres, en utilisant l'ensemble de données MNIST comme référence. Le modèle proposé comprend un seul neurone à impulsions utilisant le modèle neuronal d'Izhikevich, délibérément conçu sans poids ni phase d'apprentissage, incarnant l'approche minimaliste qui consiste à maximiser les performances avec un minimum de ressources. Notre approche intègre des cartes auto-organisées avec une nouvelle méthode d'optimisation pour la sélection de clusters, en tirant parti de la complexité de Kolmogorov et de l'abstraction de prototypes. Le modèle atteint une précision de 90 % sur les chiffres arabes inversés en niveaux de gris. Sur les chiffres romains, il maintient une forte précision de 87,4 %, excellant particulièrement sur les motifs bien séparés. Ces résultats confirment l'adéquation du modèle pour les entrées régulières et soulignent le potentiel des architectures minimalistes à impulsions pour les futurs systèmes neuromorphiques.
Remarque : Traduit avec DeepL.com