跳到正文
热点事件持续更新

CFE层实现事件相机时间切片不变学习

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

2026年10月，研究人员 Han Wang 等人发布论文《Learning Without Clocks: Partition-Invariant Neural Network》，提出 Clock-Free Event (CFE) 层。该层基于 TM 状态实现了对事件流切片方式和时间戳连续性的分区不变学习，不依赖传统的时间切片。实验显示，在 DVS128 Gesture 数据集上，CFE 层性能比加性状态高 3.5 至 9.1 分，在 SHD 和 Speech Commands 数据集上分别高出 24.5 分和 30.6 分。该模型具备抗时钟鲁棒性，可有效防范 spike-retiming 攻击，为事件相机神经网络学习提供了新方案。

AI 根据报道生成 · 3 小时前更新

最新进展10月30日 12:00
Clock-Free Event 层：实现不依赖时间切片的分区不变事件相机学习

报道时间线

沿着报道，了解事件的不同侧面。

10月30日
  1. arXiv · ML
    Clock-Free Event 层：实现不依赖时间切片的分区不变事件相机学习

    Clock-Free Event (CFE) 层实现了对事件流切片方式和时间戳连续性的分区不变学习。 CFE 层基于 TM 状态，在 DVS128 Gesture 数据集上比加性状态高 3.5-9.1 分，在 SHD 和 Speech Commands 上分别高 24.5 和 30.6 分。 该模型具备抗时钟鲁棒性，可用于防范 spike-retiming 攻击。

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。