論文の概要: Integrating Complexity and Biological Realism: High-Performance Spiking Neural Networks for Breast Cancer Detection

• arxiv url: http://arxiv.org/abs/2506.06265v1
• Date: Fri, 06 Jun 2025 17:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.572797
• Title: Integrating Complexity and Biological Realism: High-Performance Spiking Neural Networks for Breast Cancer Detection
• Title（参考訳）: 複雑性と生物学的リアリズムの統合:乳がん検出のための高性能スパイクニューラルネットワーク
• Authors: Zofia Rudnicka, Januszcz Szczepanski, Agnieszka Pregowska,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、空間的特徴と時間的特徴の効率的な符号化を可能にする。 SNNは、従来のディープラーニングモデルの性能の一致が困難であるため、医療画像認識に限定的に適用されている。 本稿では,SNNとLempel-Ziv Complexity(LZC)を組み合わせた新しい乳がん分類手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking Neural Networks (SNNs) event-driven nature enables efficient encoding of spatial and temporal features, making them suitable for dynamic time-dependent data processing. Despite their biological relevance, SNNs have seen limited application in medical image recognition due to difficulties in matching the performance of conventional deep learning models. To address this, we propose a novel breast cancer classification approach that combines SNNs with Lempel-Ziv Complexity (LZC) a computationally efficient measure of sequence complexity. LZC enhances the interpretability and accuracy of spike-based models by capturing structural patterns in neural activity. Our study explores both biophysical Leaky Integrate-and-Fire (LIF) and probabilistic Levy-Baxter (LB) neuron models under supervised, unsupervised, and hybrid learning regimes. Experiments were conducted on the Breast Cancer Wisconsin dataset using numerical features derived from medical imaging. LB-based models consistently exceeded 90.00% accuracy, while LIF-based models reached over 85.00%. The highest accuracy of 98.25% was achieved using an ANN-to-SNN conversion method applied to both neuron models comparable to traditional deep learning with back-propagation, but at up to 100 times lower computational cost. This hybrid approach merges deep learning performance with the efficiency and plausibility of SNNs, yielding top results at lower computational cost. We hypothesize that the synergy between temporal-coding, spike-sparsity, and LZC-driven complexity analysis enables more-efficient feature extraction. Our findings demonstrate that SNNs combined with LZC offer promising, biologically plausible alternative to conventional neural networks in medical diagnostics, particularly for resource-constrained or real-time systems.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)のイベント駆動特性は、空間的特徴と時間的特徴の効率的な符号化を可能にし、動的時間依存のデータ処理に適している。 生物学的な関連性にもかかわらず、SNNは従来のディープラーニングモデルの性能の一致が困難であるため、医学的画像認識に限定的に適用されている。 そこで本研究では,SNNとLempel-Ziv Complexity(LZC)を組み合わせた新しい乳がん分類手法を提案する。 LZCは、神経活動の構造パターンをキャプチャすることで、スパイクベースのモデルの解釈可能性と精度を高める。 本研究では,生物物理学的Leaky Integrate-and-Fire(LIF)と確率論的Levy-Baxter(LB)ニューロンモデルの両方について,教師付き・教師なし・ハイブリッド学習体制下で検討した。 医療画像から得られた数値的特徴を用いた乳がんウィスコンシンデータセットの実験を行った。 LBベースのモデルは90.00%を超え、LIFベースのモデルは85.00%を超えた。 ANN-to-SNN変換法は、バックプロパゲーションを持つ従来のディープラーニングに匹敵するが、計算コストの最大100倍の精度で達成された。 このハイブリッドアプローチは、ディープラーニング性能とSNNの効率性と妥当性を融合し、計算コストの低減を図る。 時間符号化,スパイクスパーシリティ,LZCによる複雑性解析の相乗効果は,より効率的な特徴抽出を可能にすると仮定する。 以上の結果から,SNNとLZCを組み合わせることで,特に資源制約やリアルタイムシステムにおいて,従来のニューラルネットワークに代わる有望かつ生物学的に有効な代替手段が提供されることが示唆された。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Stochastic Spiking Neural Networks with First-to-Spike Coding [7.955633422160267]
  スパイキングニューラルネットワーク (SNN) は、その生物の楽観性とエネルギー効率で知られている。 本研究では,SNNアーキテクチャにおける新しい計算手法と情報符号化方式の融合について検討する。 提案手法のトレードオフを,精度,推論遅延,スパイク空間性,エネルギー消費,データセットの観点から検討する。
  論文  参考訳（メタデータ） (2024-04-26T22:52:23Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• PC-SNN: Supervised Learning with Local Hebbian Synaptic Plasticity based on Predictive Coding in Spiking Neural Networks [1.6172800007896282]
  本稿では,予測符号化理論に触発された新しい学習アルゴリズムを提案する。 教師あり学習を完全自律的に行うことができ、バックプロップとして成功することを示す。 この手法は,最先端の多層SNNと比較して,良好な性能を実現する。
  論文  参考訳（メタデータ） (2022-11-24T09:56:02Z)
• 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。