无时钟事件神经网络TM层与CFE层提出
热点事件持续更新
无时钟事件神经网络TM层与CFE层提出
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
2026年10月30日,arXiv Computer Vision 刊出 Han Wang 等人的研究,提出时间介导非交换(TM)模型,并据此构建无时钟事件(Clock-Free Event,CFE)层。报道称,该研究证明事件更新两两可交换即可使输出不受同时事件处理顺序影响、对时间戳连续,并给出分辨率鲁棒性界;CFE 层对事件数线性。实验方面,报道称在 DVS128 Gesture 上比同构加法状态高 3.5–9.1 分,在 SHD 和 Speech Commands 上分别高 24.5 和 30.6 分。上述结果与比较均为该报道所述,尚待独立验证。
AI 根据报道生成 · 1 小时前更新
最新进展10月30日 12:00
无时钟学习:分区不变神经网络报道时间线
沿着报道,了解事件的不同侧面。
10月30日
- arXiv Computer Vision无时钟学习:分区不变神经网络
研究提出时间介导非交换(TM)模型,证明事件更新两两可交换即可让输出不受同时事件处理顺序影响、对时间戳连续,并给出分辨率鲁棒性界。据此构建的 Clock-Free Event(CFE)层对事件数线性,在 DVS128 Gesture 上比同构加法状态高 3.5-9.1 分,在 SHD 和 Speech Commands 上分别高 24.5 和 30.6 分。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。