iPhoneAlle anzeigen
iPhone 11iPhone 11 ProiPhone 11 Pro MaxiPhone 12iPhone 12 ProiPhone 12 Pro MaxiPhone 12 miniiPhone 13iPhone 13 ProiPhone 13 Pro MaxiPhone 13 miniiPhone 14iPhone 14 PlusiPhone 14 ProiPhone 14 Pro MaxiPhone 15iPhone 15 PlusiPhone 15 ProiPhone 15 Pro MaxiPhone 16iPhone 16 PlusiPhone 16 ProiPhone 16 Pro MaxiPhone 16eiPhone 8iPhone 8 PlusiPhone SE 2020iPhone SE 2022iPhone XiPhone XRiPhone XSiPhone XS Max
Galaxy A-SerieAlle anzeigen
Galaxy A12Galaxy A13Galaxy A13 5GGalaxy A14Galaxy A15Galaxy A16Galaxy A17 5GGalaxy A20eGalaxy A21Galaxy A22Galaxy A23Galaxy A24Galaxy A25Galaxy A26 5GGalaxy A32Galaxy A33Galaxy A34Galaxy A35Galaxy A36 5GGalaxy A37Galaxy A40Galaxy A41Galaxy A42Galaxy A50Galaxy A51Galaxy A52Galaxy A53Galaxy A54Galaxy A55Galaxy A56 5GGalaxy A57 5GGalaxy A70Galaxy A71Galaxy A72
Redmi SeriesAlle anzeigen
Redmi 10Redmi 13CRedmi 15 5GRedmi Note 10Redmi Note 10 ProRedmi Note 11Redmi Note 11 ProRedmi Note 11 Pro Plus 5GRedmi Note 11sRedmi Note 12Redmi Note 12 5GRedmi Note 12 ProRedmi Note 12 Pro 5GRedmi Note 12 Pro PlusRedmi Note 13Redmi Note 13 5GRedmi Note 13 ProRedmi Note 13 Pro PlusRedmi Note 14Redmi Note 14 Pro PlusRedmi Note 15Redmi Note 15 5GRedmi Note 15 ProRedmi Note 15 Pro 5GRedmi Note 15 Pro Plus 5GRedmi Note 8Redmi Note 8 ProRedmi Note 9Redmi Note 9 Pro
- Startseite
Bücher Englische Bücher Wissen & Bildung Naturwissenschaft, Medizin, Informatik, Technik Technik Elektronik, Elektro- und Nachrichtentechnik Towards Safe Spiking Neural Networks for Classification
Derzeit nicht verfügbar
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Towards Safe Spiking Neural Networks for Classification
Daniel Scholz (Broschiert, Englisch)
★★★★★
☆☆☆☆☆ Keine Bewertungen vorhanden
Optischer Zustand
Beschreibung
Artificial intelligence increasingly influences daily decision-making, yet the safety of neural networks – particularly Spiking Neural Networks (SNNs) – remains a critical challenge. This dissertation enhances SNN safety in time-series classification through selective prediction, where high-uncertainty inputs are rejected to reduce errors. Two novel methods are introduced: a loss-based monitor… that identifies risky inputs without relying on output probabilities, and a time-aware Conformal Prediction (CP) approach that corrects temporal uncertainties overlooked by standard CP. These methods are benchmarked on four public datasets and Infineon’s radar-based gesture data against state-of-the-art baselines, namely Evidential Deep Learning (EDL) and Neural Network Ensembles (NNEs). In addition to fixed-length evaluations, the research addresses real-time scenarios with streaming data, deploying SNNs via sliding windows and stateful architectures, where rejections act as safety interventions. Custom metrics are developed to better evaluate performance in this dynamic setting. Results reveal stateful deployment enables to catch more errors than sliding windows. EDL excels in accuracy-safety trade-offs, while CP delivers safety improvements with minimal computational overhead, offering scalable solutions for real-world SNN applications. Dieses Produkt haben wir gerade leider nicht auf Lager.
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
Der Umwelt zuliebe
Technische Daten
Erscheinungsdatum
27.04.2026
Sprache
Englisch
EAN
9783959087483
Herausgeber
TUDpress
Sonderedition
Nein
Autor
Daniel Scholz
Seitenanzahl
150
Einbandart
Broschiert
Schlagwörter
Daniel Scholz, Elektrotechnik, Informationstechnik, TU Dresden, Spiking Neural Networks, Ingenieurwissenschaften
Thema-Inhalt
THR - Elektrotechnik
Höhe
200 mm
Breite
14.8 cm
-.-
★★★★★
☆☆☆☆☆ Leider noch keine Bewertungen
Leider noch keine Bewertungen
Sicher bei rebuy kaufen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!
Sicher bei rebuy kaufen