論文の概要: Izhikevich-Inspired Temporal Dynamics for Enhancing Privacy, Efficiency, and Transferability in Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2505.04034v1
• Date: Wed, 07 May 2025 00:27:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.939574
• Title: Izhikevich-Inspired Temporal Dynamics for Enhancing Privacy, Efficiency, and Transferability in Spiking Neural Networks
• Title（参考訳）: Izhikevichによるスパイクニューラルネットワークのプライバシー、効率、転送性向上のためのテンポラルダイナミクス
• Authors: Ayana Moshruba, Hamed Poursiami, Maryam Parsa,
• Abstract要約: 本稿では,Poisson-BurstとDelayed-Burstの2つの入力レベル時間スパイク変換を提案する。 Poisson-Burstは入力強度に基づいてバースト発生を変調し、Delayed-Burstはバースト開始タイミングを通じて入力強度を符号化する。 これらの知見は, 神経形学習システムのプライバシー, 一般化, 生物学的妥当性向上における生物学的基盤の時間的スパイクダイナミクスの可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological neurons exhibit diverse temporal spike patterns, which are believed to support efficient, robust, and adaptive neural information processing. While models such as Izhikevich can replicate a wide range of these firing dynamics, their complexity poses challenges for directly integrating them into scalable spiking neural networks (SNN) training pipelines. In this work, we propose two probabilistically driven, input-level temporal spike transformations: Poisson-Burst and Delayed-Burst that introduce biologically inspired temporal variability directly into standard Leaky Integrate-and-Fire (LIF) neurons. This enables scalable training and systematic evaluation of how spike timing dynamics affect privacy, generalization, and learning performance. Poisson-Burst modulates burst occurrence based on input intensity, while Delayed-Burst encodes input strength through burst onset timing. Through extensive experiments across multiple benchmarks, we demonstrate that Poisson-Burst maintains competitive accuracy and lower resource overhead while exhibiting enhanced privacy robustness against membership inference attacks, whereas Delayed-Burst provides stronger privacy protection at a modest accuracy trade-off. These findings highlight the potential of biologically grounded temporal spike dynamics in improving the privacy, generalization and biological plausibility of neuromorphic learning systems.
• Abstract（参考訳）: 生物学的ニューロンは様々な時間的スパイクパターンを示し、効率的で堅牢で適応的な神経情報処理をサポートすると考えられている。 Izhikevichのようなモデルでは、これらの発射ダイナミクスを広範囲に再現することができるが、その複雑さは、それらをスケーラブルなスパイキングニューラルネットワーク(SNN)トレーニングパイプラインに直接統合する上での課題を生じさせる。 本研究では,生物にインスパイアされた時間変動を標準的な Leaky Integrate-and-Fire ニューロンに直接導入する Poisson-Burst と Delayed-Burst という,確率的に駆動される2つの時間スパイク変換を提案する。 これにより、スパイクタイミングのダイナミクスがプライバシ、一般化、学習パフォーマンスにどのように影響するかの、スケーラブルなトレーニングと体系的な評価が可能になる。 Poisson-Burstは入力強度に基づいてバースト発生を変調し、Delayed-Burstはバースト開始タイミングを通じて入力強度を符号化する。 複数のベンチマークにわたる広範な実験を通じて、Poisson-Burstは競合精度とリソースオーバーヘッドを低く保ちながら、メンバシップ推論攻撃に対するプライバシーの堅牢性を高めているのに対し、Delayed-Burstはわずかに精度のトレードオフでより強力なプライバシー保護を提供する。 これらの知見は, 神経形学習システムのプライバシー, 一般化, 生物学的妥当性向上における生物学的基盤の時間的スパイクダイナミクスの可能性を明らかにするものである。

関連論文リスト

• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• TS-LIF: A Temporal Segment Spiking Neuron Network for Time Series Forecasting [27.91825785119938]
  Spiking Neural Networks(SNN)は、時系列予測のためのデータ処理に、有望で生物学的にインスパイアされたアプローチを提供する。 本稿では,デュアルコンパートメントアーキテクチャを特徴とするテンポラルリーキーセグメント統合とファイアモデルを提案する。 実験の結果,TS-LIFは時系列予測において従来のSNNよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-07T03:06:21Z)
• Continuous signal sparse encoding using analog neuromorphic variability [0.0]
  時間信号符号化は低消費電力で常時オンのシステムに不可欠である。 本研究では, 内因性神経の変動を利用して, 連続的な刺激を強固にエンコードする生物学的原理による枠組みを提案する。 本手法は, アナログニューロモルフィック基板上での時間データの低消費電力低遅延処理に適していることを示す。
  論文  参考訳（メタデータ） (2025-01-23T09:29:40Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
  LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。 実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。 したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
  論文  参考訳（メタデータ） (2023-07-14T08:51:03Z)
• Impact of spiking neurons leakages and network recurrences on event-based spatio-temporal pattern recognition [0.0]
  ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。 スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
  論文  参考訳（メタデータ） (2022-11-14T21:34:02Z)
• Deep inference of latent dynamics with spatio-temporal super-resolution using selective backpropagation through time [15.648009434801885]
  現代の神経インタフェースは、脳回路内の100万のニューロンの活動をアクセスすることができる。 帯域幅制限はしばしば、より大きな空間サンプリング(より多くのチャンネルやピクセル)と時間サンプリングの頻度の間のトレードオフを生み出す。 ここでは、ニューロン間の関係を利用して、ニューロン時系列における超解像を得ることが可能であることを実証する。
  論文  参考訳（メタデータ） (2021-10-29T20:18:29Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。