Fugu-MT 論文翻訳(概要): Hybrid Spiking Neural Network -- Transformer Video Classification Model

論文の概要: Hybrid Spiking Neural Network -- Transformer Video Classification Model

arxiv url: http://arxiv.org/abs/2412.00237v1
Date: Fri, 29 Nov 2024 20:10:51 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:48:30.468089
Title: Hybrid Spiking Neural Network -- Transformer Video Classification Model
Title（参考訳）: ハイブリッドスパイクニューラルネットワーク-トランスフォーマービデオ分類モデル
Authors: Aaron Bateni,
Abstract要約: スパイキングニューラルネットワーク(SNN)はその時間的理解能力のために大きな関心を集めている。この研究は、私たちの知る限り、時系列データ分類タスクのためのハイブリッドアーキテクチャのような最初の皮質カラムを紹介します。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In recent years, Spiking Neural Networks (SNNs) have gathered significant interest due to their temporal understanding capabilities. This work introduces, to the best of our knowledge, the first Cortical Column like hybrid architecture for the Time-Series Data Classification Task that leverages SNNs and is inspired by the brain structure, inspired from the previous hybrid models. We introduce several encoding methods to use with this model. Finally, we develop a procedure for training this network on the training dataset. As an effort to make using these models simpler, we make all the implementations available to the public.
Abstract（参考訳）: 近年、スパイキングニューラルネットワーク(SNN)はその時間的理解能力のために大きな関心を集めている。この研究は、私たちの知る限り、SNNを活用し、以前のハイブリッドモデルからインスパイアされた脳構造にインスパイアされた、時系列データ分類タスクのための、最初の皮質カラムのようなハイブリッドアーキテクチャを紹介します。このモデルで使用する符号化方式をいくつか紹介する。最後に、トレーニングデータセット上で、このネットワークをトレーニングするための手順を開発する。これらのモデルをシンプルにするために、すべての実装を一般公開しています。

関連論文リスト

Adapt & Align: Continual Learning with Generative Models Latent Space Alignment [15.729732755625474]
本稿では、生成モデルにおける潜在表現を整列させることにより、ニューラルネットワークの連続的な学習方法であるAdapt & Alignを紹介する。ニューラルネットワークは、追加データで再トレーニングされた場合、突然のパフォーマンスが低下する。生成モデルを導入し,その更新過程を2つの部分に分割することで,これらの問題を緩和する手法を提案する。
論文参考訳（メタデータ） (2023-12-21T10:02:17Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
CQural: A Novel CNN based Hybrid Architecture for Quantum Continual Machine Learning [0.0]
本研究では,新しい古典量子ニューラルネットを用いた連続学習において,破滅的な忘れを回避できることが示唆された。また、モデルがこれらの説明でトレーニングされている場合、より良いパフォーマンスを与え、決定境界から遠く離れた特定の特徴を学ぶ傾向があります。
論文参考訳（メタデータ） (2023-05-16T18:19:12Z)
A Gradient Boosting Approach for Training Convolutional and Deep Neural Networks [0.0]
グラディエントブースティング(GB)に基づく畳み込みニューラルネットワーク(CNN)とディープニューラルネットワークの訓練方法を紹介する。提案モデルでは,同一アーキテクチャの標準CNNとDeep-NNに対して,分類精度の点で優れた性能を示す。
論文参考訳（メタデータ） (2023-02-22T12:17:32Z)
A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP [121.35904748477421]
畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
論文参考訳（メタデータ） (2021-08-30T06:09:02Z)
PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文参考訳（メタデータ） (2021-03-17T08:28:30Z)
Collaborative Method for Incremental Learning on Classification and Generation [32.07222897378187]
本稿では,ニューラルネットワークを用いたインクリメンタルなクラス学習のための新しいアルゴリズム,Incrmental Class Learning with Attribute Sharing (ICLAS)を導入する。そのコンポーネントの1つであるincGANは、トレーニングデータよりも多彩な画像を生成することができる。データ不足の困難な環境下で、ICLASは段階的に分類と生成ネットワークを訓練する。
論文参考訳（メタデータ） (2020-10-29T06:34:53Z)
Streaming Graph Neural Networks via Continual Learning [31.810308087441445]
グラフニューラルネットワーク(GNN)は様々なアプリケーションで高いパフォーマンスを実現している。本稿では,連続学習に基づくストリーミングGNNモデルを提案する。モデルパラメータを効率的に更新し、モデル再トレーニングに匹敵する性能が得られることを示す。
論文参考訳（メタデータ） (2020-09-23T06:52:30Z)
Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
関係データに対するKENNの拡張を提案する。その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
論文参考訳（メタデータ） (2020-09-13T21:12:20Z)
Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文参考訳（メタデータ） (2020-06-22T11:41:57Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。