論文の概要: The Promise of Spiking Neural Networks for Ubiquitous Computing: A Survey and New Perspectives

• arxiv url: http://arxiv.org/abs/2506.01737v1
• Date: Mon, 02 Jun 2025 14:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.498643
• Title: The Promise of Spiking Neural Networks for Ubiquitous Computing: A Survey and New Perspectives
• Title（参考訳）: ユビキタスコンピューティングのためのスパイクニューラルネットワークの約束:サーベイと新しい展望
• Authors: Hemanth Sabbella, Archit Mukherjee, Thivya Kandappu, Sounak Dey, Arpan Pal, Archan Misra, Dong Ma,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、低消費電力計算を実現するためにスパースでイベント駆動のシグナリングを利用する、バイオインスパイアされたネットワークのクラスとして登場した。 ユニークで有望な機能にもかかわらず、SNNは限定的な注目を集め、ユビキタスコンピューティングコミュニティ内では未探索のままである。
• 参考スコア（独自算出の注目度）: 6.0751106418587835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking neural networks (SNNs) have emerged as a class of bio -inspired networks that leverage sparse, event-driven signaling to achieve low-power computation while inherently modeling temporal dynamics. Such characteristics align closely with the demands of ubiquitous computing systems, which often operate on resource-constrained devices while continuously monitoring and processing time-series sensor data. Despite their unique and promising features, SNNs have received limited attention and remain underexplored (or at least, under-adopted) within the ubiquitous computing community. To address this gap, this paper first introduces the core components of SNNs, both in terms of models and training mechanisms. It then presents a systematic survey of 76 SNN-based studies focused on time-series data analysis, categorizing them into six key application domains. For each domain, we summarize relevant works and subsequent advancements, distill core insights, and highlight key takeaways for researchers and practitioners. To facilitate hands-on experimentation, we also provide a comprehensive review of current software frameworks and neuromorphic hardware platforms, detailing their capabilities and specifications, and then offering tailored recommendations for selecting development tools based on specific application needs. Finally, we identify prevailing challenges within each application domain and propose future research directions that need be explored in ubiquitous community. Our survey highlights the transformative potential of SNNs in enabling energy-efficient ubiquitous sensing across diverse application domains, while also serving as an essential introduction for researchers looking to enter this emerging field.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、時間的ダイナミクスを本質的にモデル化しながら、低消費電力の計算を実現するためにスパースなイベント駆動シグナリングを活用する、バイオインスパイアされたネットワークのクラスとして登場した。 このような特性はユビキタスコンピューティングシステムの要求と密接に一致しており、しばしばリソース制約のあるデバイス上で動作し、時系列センサーデータを継続的に監視し処理する。 ユニークで有望な機能にもかかわらず、SNNは限定的な注目を受け、ユビキタスコンピューティングコミュニティ内で探索されていない(少なくとも未熟)。 このギャップに対処するために,本論文ではまず,モデルとトレーニング機構の両面から,SNNのコアコンポーネントを紹介する。 次に、時系列データ分析に焦点を当てた76のSNNベースの研究を体系的に調査し、それらを6つの主要なアプリケーションドメインに分類する。 各ドメインについて、関連する作業とその後の進歩を要約し、コアインサイトを蒸留し、研究者や実践者にとって重要なポイントをハイライトする。 ハンズオン実験を容易にするため、我々はまた、現在のソフトウェアフレームワークとニューロモルフィックハードウェアプラットフォームの包括的なレビューを提供し、その機能と仕様を詳述するとともに、特定のアプリケーションのニーズに基づいて開発ツールを選択するためのカスタマイズされたレコメンデーションを提供します。 最後に、各アプリケーション領域で広く普及している課題を特定し、ユビキタスコミュニティで調査する必要がある今後の研究方向性を提案する。 我々の調査は、多様なアプリケーション領域にまたがってエネルギー効率の高いユビキタスセンシングを可能にするSNNの変革的可能性を強調し、また、この新興分野への参入を目指す研究者にとって重要な紹介として役立ちます。

関連論文リスト

• Spiking Neural Networks for Temporal Processing: Status Quo and Future Prospects [41.8742357294068]
  スパイキングニューラルネットワーク(SNN)は、その豊富な神経力学とスパース活動パターンのために、データを高い効率で処理する上で優れている。 近年のSNNの発展に伴い,その時間的処理能力を総合的に評価する必要性が高まっている。
  論文  参考訳（メタデータ） (2025-02-13T16:17:57Z)
• Continual Learning with Hebbian Plasticity in Sparse and Predictive Coding Networks: A Survey and Perspective [1.3986052523534573]
  ニューロモルフィック連続学習システムの新たなクラスは、ハエの新たな情報を統合することを学ばなければならない。 このサーベイは、最先端スパースと予測符号化技術に基づくニューロモルフィック連続学習の分野における最近の多くの研究をカバーしている。 この調査は神経形連続学習の分野での今後の研究に貢献することが期待されている。
  論文  参考訳（メタデータ） (2024-07-24T14:20:59Z)
• 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)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• Graph Neural Network for spatiotemporal data: methods and applications [7.612070518526342]
  グラフニューラルネットワーク(GNN)は、互いに依存したデータを理解する強力なツールとして登場した。 本稿では、時間領域におけるGNNの技術と応用について概観する。
  論文  参考訳（メタデータ） (2023-05-30T02:27:17Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• A Survey of Complex-Valued Neural Networks [4.211128681972148]
  人工知能ニューラルネットワーク(ANN)ベースの機械学習モデルは、コンピュータビジョン、信号処理、無線通信など多くの分野に広く応用されている。 ANNや機械学習フレームワークの現在の実装のほとんどは、複素数ではなく実数を使っている。 複雑な数値を使用してANNを構築することへの関心が高まっており、実際の価値を持つニューラルネットワークよりも、いわゆるCVNN(complex-valued Neural Network)の潜在的なアドバンテージを探っている。
  論文  参考訳（メタデータ） (2021-01-28T19:40:50Z)
• Graph Neural Networks for Leveraging Industrial Equipment Structure: An application to Remaining Useful Life Estimation [21.297461316329453]
  本稿では,複雑な機器の構造をグラフ形式で把握し,マルチセンサ時系列データをモデル化するためにグラフニューラルネットワーク(GNN)を用いる。 我々は,提案したGNNに基づくRUL推定モデルが,RNNやCNNをベースとした文学からの強いベースラインと好意的に比較した。
  論文  参考訳（メタデータ） (2020-06-30T06:38:08Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。