Fugu-MT 論文翻訳(概要): Spiking Neural Networks with Single-Spike Temporal-Coded Neurons for Network Intrusion Detection

論文の概要: Spiking Neural Networks with Single-Spike Temporal-Coded Neurons for Network Intrusion Detection

arxiv url: http://arxiv.org/abs/2010.07803v1
Date: Thu, 15 Oct 2020 14:46:18 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 04:46:23.184207
Title: Spiking Neural Networks with Single-Spike Temporal-Coded Neurons for Network Intrusion Detection
Title（参考訳）: ネットワーク侵入検出のためのsingle-spike時間符号化ニューロンを用いたスパイクニューラルネットワーク
Authors: Shibo Zhou, Xiaohua Li
Abstract要約: スパイキングニューラルネット(SNN)は、その強い生物楽観性と高いエネルギー効率のために興味深い。しかし、その性能は従来のディープニューラルネットワーク(DNN)よりもはるかに遅れている。
参考スコア（独自算出の注目度）: 6.980076213134383
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spiking neural network (SNN) is interesting due to its strong bio-plausibility and high energy efficiency. However, its performance is falling far behind conventional deep neural networks (DNNs). In this paper, considering a general class of single-spike temporal-coded integrate-and-fire neurons, we analyze the input-output expressions of both leaky and nonleaky neurons. We show that SNNs built with leaky neurons suffer from the overly-nonlinear and overly-complex input-output response, which is the major reason for their difficult training and low performance. This reason is more fundamental than the commonly believed problem of nondifferentiable spikes. To support this claim, we show that SNNs built with nonleaky neurons can have a less-complex and less-nonlinear input-output response. They can be easily trained and can have superior performance, which is demonstrated by experimenting with the SNNs over two popular network intrusion detection datasets, i.e., the NSL-KDD and the AWID datasets. Our experiment results show that the proposed SNNs outperform a comprehensive list of DNN models and classic machine learning models. This paper demonstrates that SNNs can be promising and competitive in contrast to common beliefs.
Abstract（参考訳）: スパイキングニューラルネット(SNN)は、その強い生物楽観性と高いエネルギー効率のために興味深い。しかし、その性能は従来のディープニューラルネットワーク(dnn)よりもずっと遅れている。本稿では, 単一スパイク時間符号化統合火災ニューロンの一般クラスを考慮し, 漏洩ニューロンと非リークニューロンの入力出力表現を解析する。漏洩ニューロンで構築されたsnは、過剰に非線形で複雑な入力出力応答に苦しむため、トレーニングが困難でパフォーマンスが低下する主な原因となっている。この理由は、非微分的スパイクの一般的な問題よりも根本的なものである。この主張を支持するために、非リーキーニューロンで構築されたSNNは、より複雑で非線形な入出力応答を持つことを示す。 NSL-KDDとAWIDデータセットという2つの一般的なネットワーク侵入検出データセットをSNNで実験することで、訓練が容易で優れたパフォーマンスを得ることができる。実験の結果,提案したSNNは,DNNモデルと古典的機械学習モデルの包括的リストよりも優れていた。本稿では,SNNが共通の信念とは対照的に有望かつ競争的であることを示す。

関連論文リスト

Harnessing Neuron Stability to Improve DNN Verification [42.65507402735545]
我々は最近提案されたDPLLベースの制約DNN検証手法の拡張であるVeriStableを提案する。完全接続型フィードネットワーク(FNN)、畳み込み型ニューラルネットワーク(CNN)、残留型ネットワーク(ResNet)など、さまざまな課題のあるベンチマークにおいてVeriStableの有効性を評価する。予備的な結果は、VeriStableは、VNN-COMPの第1および第2のパフォーマーである$alpha$-$beta$-CROWNやMN-BaBなど、最先端の検証ツールよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-19T23:48:04Z)
A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文参考訳（メタデータ） (2023-05-26T02:52:12Z)
Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。非分化性のため、SNNを効率的に訓練することは困難である。本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文参考訳（メタデータ） (2022-05-01T12:44:49Z)
Toward Robust Spiking Neural Network Against Adversarial Perturbation [22.56553160359798]
スパイキングニューラルネットワーク(SNN)は、現実の効率クリティカルなアプリケーションにますます多くデプロイされている。研究者はすでに、SNNを敵の例で攻撃できることを実証している。我々の知る限りでは、これはSNNの堅牢なトレーニングに関する最初の分析である。
論文参考訳（メタデータ） (2022-04-12T21:26:49Z)
A Spiking Neural Network Structure Implementing Reinforcement Learning [0.0]
本稿では,SNNの構造について述べる。本論文で考察したSNN構造は、LIFAT(Leky Integration-and-fire neuron with adapt threshold)モデルの一般化によって記述されたスパイクニューロンを含む。私の概念は、RLタスク特性に関する非常に一般的な仮定に基づいており、適用性に目に見える制限はありません。
論文参考訳（メタデータ） (2022-04-09T09:08:10Z)
Deep Learning in Spiking Phasor Neural Networks [0.6767885381740952]
スパイキングニューラルネットワーク(SNN)は、低レイテンシで低消費電力のニューロモルフィックハードウェアで使用するために、ディープラーニングコミュニティの注目を集めている。本稿では,Spking Phasor Neural Networks(SPNN)を紹介する。 SPNNは複雑に評価されたディープニューラルネットワーク(DNN)に基づいており、スパイク時間による位相を表す。
論文参考訳（メタデータ） (2022-04-01T15:06:15Z)
Robustness of Bayesian Neural Networks to White-Box Adversarial Attacks [55.531896312724555]
ベイジアンネットワーク(BNN)は、ランダム性を組み込むことで、敵の攻撃を扱うのに頑丈で適している。我々はベイズ的推論(つまり変分ベイズ)をDenseNetアーキテクチャに融合させることで、BNN-DenseNetと呼ばれるBNNモデルを作成する。逆向きに訓練されたBNNは、ほとんどの実験で非ベイズ的で逆向きに訓練されたBNNよりも優れています。
論文参考訳（メタデータ） (2021-11-16T16:14:44Z)
Spiking Neural Networks for Visual Place Recognition via Weighted Neuronal Assignments [24.754429120321365]
スパイキングニューラルネットワーク(SNN)は、エネルギー効率と低レイテンシを含む、魅力的な潜在的な利点を提供する。高性能SNNにとって有望な領域の1つは、テンプレートマッチングと画像認識である。本研究では,視覚的位置認識(VPR)タスクのための最初の高性能SNNを紹介する。
論文参考訳（メタデータ） (2021-09-14T05:40:40Z)
Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
論文参考訳（メタデータ） (2020-06-30T14:56:05Z)
Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。 NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
論文参考訳（メタデータ） (2020-04-29T01:28:32Z)
Event-Based Angular Velocity Regression with Spiking Networks [51.145071093099396]
スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。角速度回帰を行うためにSNNをうまく訓練できることが示される。
論文参考訳（メタデータ） (2020-03-05T17:37:16Z)

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。