学界 | 英特尔新论文提出事件驱动的随机反向传播：能实现神经形态深度学习

文章预览

选自arXiv.org 机器之心编译 参与：吴攀 论文：事件驱动的随机反向传播：能实现神经形态深度学习（Event-driven Random Backpropagation: Enabling Neuromorphic Deep Learning） 神经形态计算（neuromorphic computing）领域内一个一直以来持续存在的挑战是设计兼容大脑的时间和空间约束（spatial and temporal constraints）的通用的且计算高效的推理和学习模型。梯度下降反向传播规则（gradient descent backpropagation rule）是一种强大的算法，现在已经在深度学习领域无处不在，但这种算法依赖于使用高精度记忆存储的整个网络那么宽的信息的即时可用性。 但是，近来的研究成果表明：准确的反向传播的权重对学习深度表征而言并不是必需的。随机反向传播（random backpropagation）使用了随机的权重来替换反 ………………………………