IEEE TPAMI

Burst Spiking Neural Networks

突发脉冲神经网络

Jiahong Zhang, Sijun Shen, Man Yao, Han Xu, Mingqiang Huang, Yonghong Tian, Bo Xu, Guoqi Li

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； State Key Laboratory of Media Convergence and Communication, Communication University of China（中国传媒大学媒体融合与传播国家重点实验室） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Peng Cheng Laboratory（鹏城实验室） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

AI总结 研究SNN的准确性 - 鲁棒性问题，提出基于突发增强脉冲神经元和动态权重约束机制的BuSNN，通过理论分析和实验表明其在准确性、鲁棒性及低功耗方面优势显著，推进了SNN在相关应用中的可行性。

Comments 18 pages, 21 figures, 1 supplementary material PDF, submitted to IEEE Transactions on Pattern Analysis and Machine Intelligence

Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning

用于多实例部分标签学习的可校准消歧损失

Wei Tang, Yin-Fang Yang, Weijia Zhang, Min-Ling Zhang

机构 * School of Computer Science and Engineering, Southeast University（计算机科学与工程学院，东南大学） ； Key Laboratory of Computer Network and Information Integration (Southeast University), MoE, China（计算机网络与信息集成重点实验室（东南大学），教育部，中国） ； School of Information and Physical Sciences, The University of Newcastle（信息与物理科学学院，新castle大学） 纠错

AI总结 针对多实例部分标签学习中校准不佳问题，提出可校准消歧损失（CDL），通过顶级与竞争对手预测边际调制消歧目标，有两个变体，经理论分析和实验验证，显著提升分类准确率和预期校准误差。

Comments Accepted at IEEE TPAMI. The code can be found at \url{https://github.com/tangw-seu/MIPLCDL}