Apprentissage contrastif auto-supervisé dans des réseaux de neurones à pics

Les réseaux de neurones à pics (SNN), inspirés par le traitement neuronal biologique du cerveau, connaissent une croissance considérable en raison de leur potentiel élevé à traiter des modèles spatiotemporels avec une consommation d'énergie réduite, en particulier lorsqu'ils sont mis en œuvre sur des dispositifs neuromorphiques. Dans cette étude, nous proposons un apprentissage contrastif auto-supervisé (SSL) pour les SNN afin d'apprendre des représentations latentes informatives à partir d'un grand ensemble de données non étiquetées. Le SNN pré-entraîné proposé par SSL est ensuite ajusté sur un petit ensemble d'échantillons étiquetés d'une tâche supervisée en aval. Pour évaluer la méthode proposée, nous avons entraîné des SNN convolutifs en utilisant SSL sur les ensembles de données MNIST et CIFAR10 avec 80 % d'images comme échantillons non étiquetés, puis ajusté les réseaux sur les 20 % restants d'images. Les SNN basés sur SSL proposés pourraient atteindre des précisions de reconnaissance de 94,23 % et 62,24 % sur les ensembles de test de MNIST et CIFAR10, respectivement.