論文の概要: Multivariate Time Series Classification Using Spiking Neural Networks
- arxiv url: http://arxiv.org/abs/2007.03547v1
- Date: Tue, 7 Jul 2020 15:24:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 18:39:54.405101
- Title: Multivariate Time Series Classification Using Spiking Neural Networks
- Title(参考訳): スパイクニューラルネットワークを用いた多変量時系列分類
- Authors: Haowen Fang, Amar Shrestha, Qinru Qiu
- Abstract要約: スパイクニューラルネットワークは低消費電力を可能にするため注目されている。
本稿では,時系列をスパース時空間スパイクパターンに変換する符号化方式を提案する。
空間時間パターンを分類する学習アルゴリズムも提案する。
- 参考スコア(独自算出の注目度): 7.273181759304122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is an increasing demand to process streams of temporal data in
energy-limited scenarios such as embedded devices, driven by the advancement
and expansion of Internet of Things (IoT) and Cyber-Physical Systems (CPS).
Spiking neural network has drawn attention as it enables low power consumption
by encoding and processing information as sparse spike events, which can be
exploited for event-driven computation. Recent works also show SNNs' capability
to process spatial temporal information. Such advantages can be exploited by
power-limited devices to process real-time sensor data. However, most existing
SNN training algorithms focus on vision tasks and temporal credit assignment is
not addressed. Furthermore, widely adopted rate encoding ignores temporal
information, hence it's not suitable for representing time series. In this
work, we present an encoding scheme to convert time series into sparse spatial
temporal spike patterns. A training algorithm to classify spatial temporal
patterns is also proposed. Proposed approach is evaluated on multiple time
series datasets in the UCR repository and achieved performance comparable to
deep neural networks.
- Abstract(参考訳): IoT(Internet of Things)とCyber-Physical Systems(CPS)の進歩と拡張によって、組み込みデバイスのようなエネルギー制限されたシナリオで、時間データのストリームを処理する必要性が高まっている。
スパイクニューラルネットワークは、情報をスパーススパイクイベントとしてエンコードして処理することで、低消費電力を可能にするため、注目されている。
最近の研究は、空間時間情報を処理するSNNの能力も示している。
このような利点は、電力制限されたデバイスでリアルタイムセンサーデータを処理できる。
しかし、既存のSNNトレーニングアルゴリズムのほとんどはビジョンタスクに重点を置いており、時間的クレジット割り当てには対処していない。
さらに、広く採用されているレートエンコーディングは時間情報を無視しているため、時系列の表現には適していない。
本研究では,時系列を疎空間時空間スパイクパターンに変換する符号化方式を提案する。
また,空間時間パターンを分類する学習アルゴリズムを提案する。
提案されたアプローチは、UCRリポジトリ内の複数の時系列データセットで評価され、ディープニューラルネットワークに匹敵するパフォーマンスを達成した。
関連論文リスト
- A Comparison of Temporal Encoders for Neuromorphic Keyword Spotting with
Few Neurons [0.11726720776908518]
SNNにおける時間的エンコーディングと特徴抽出のための2つの神経計算要素について検討した。
リソース効率の良いキーワードスポッティングアプリケーションは、これらのエンコーダを使用することで恩恵を受けることができるが、時間定数と重み付けを学習する手法をさらに研究する必要がある。
論文 参考訳(メタデータ) (2023-01-24T12:50:54Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳(メタデータ) (2022-11-19T15:44:08Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳(メタデータ) (2022-09-29T04:06:00Z) - Scalable Spatiotemporal Graph Neural Networks [14.415967477487692]
グラフニューラルネットワーク(GNN)は、しばしば予測アーキテクチャのコアコンポーネントである。
ほとんどの時間前GNNでは、計算複雑性はグラフ内のリンクの回数のシーケンスの長さの2乗係数までスケールする。
本稿では,時間的・空間的両方のダイナミックスを効率的に符号化するスケーラブルなアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-09-14T09:47:38Z) - HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。
本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。
本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:05:51Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳(メタデータ) (2022-05-30T14:30:45Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - A Prospective Study on Sequence-Driven Temporal Sampling and Ego-Motion
Compensation for Action Recognition in the EPIC-Kitchens Dataset [68.8204255655161]
行動認識はコンピュータビジョンにおける最上位の研究分野の一つである。
エゴモーション記録シーケンスは重要な関連性を持つようになった。
提案手法は,このエゴモーションやカメラの動きを推定して対処することを目的としている。
論文 参考訳(メタデータ) (2020-08-26T14:44:45Z) - SRDCNN: Strongly Regularized Deep Convolution Neural Network
Architecture for Time-series Sensor Signal Classification Tasks [4.950427992960756]
SRDCNN: 時系列分類タスクを実行するために, SRDCNN(Strongly Regularized Deep Convolution Neural Network)をベースとしたディープアーキテクチャを提案する。
提案手法の新規性は、ネットワークウェイトが L1 と L2 のノルム法則によって正則化されることである。
論文 参考訳(メタデータ) (2020-07-14T08:42:39Z) - Exploiting Neuron and Synapse Filter Dynamics in Spatial Temporal
Learning of Deep Spiking Neural Network [7.503685643036081]
空間的時間特性を持つ生物解析可能なSNNモデルは複雑な力学系である。
ニューロン非線形性を持つ無限インパルス応答(IIR)フィルタのネットワークとしてSNNを定式化する。
本稿では,最適シナプスフィルタカーネルと重みを求めることにより,時空間パターンを学習できる学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-02-19T01:27:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。