Exploring the Impact of Different Potential Update Rules on the Performance of Spiking Neural Networks

Son yıllarda, spiking sinir ağlar (SNN'ler), gerçek nöronların faaliyetini taklit edebilme yetenekleri nedeniyle popülerlik kazanmış ve geniş bir makine öğrenimi uygulama yelpazesine uygun hale gelmiştir. Bu çalışmada, farklı potansiyel güncelleme kurallarının SNN'lerin COVID-19 sınıflandırması için performansına olan etkisini araştırıyoruz. COVID-19 pandemisi, sağlık sistemine eşi benzeri görülmemiş zorluklar getirmiş olup, hastalığın yayılmasını kontrol etmek için erken teşhis önemlidir. CT tarama görüntüleme, hastalıkla ilişkili akciğer anormalliklerini gösteren yüksek çözünürlüklü görüntüler sunması nedeniyle COVID-19 teşhisi için güçlü bir araç olarak ortaya çıkmıştır. Bu doğrultuda, farklı sinir hücresi modelleri kullanarak SNN tabanlı bir model oluşturmayı denedik ve çeşitli derin öğrenme paketlerini kullandık. Özellikle, klasik İF modeli ve sunmuş olduğumuz birkaç üstel entegre-et ve ateşleme modelinin farklı potansiyel güncelleme kurallarını inceliyoruz. SNN'ler kullanarak CT tarama resimlerinden özellikler çıkarıyor ve denetimli bir