論文の概要: Incorporating the Refractory Period into Spiking Neural Networks through Spike-Triggered Threshold Dynamics
- arxiv url: http://arxiv.org/abs/2509.17769v1
- Date: Mon, 22 Sep 2025 13:33:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.414786
- Title: Incorporating the Refractory Period into Spiking Neural Networks through Spike-Triggered Threshold Dynamics
- Title（参考訳）: スパイクトリガード閾値ダイナミクスによるスパイクニューラルネットワークへの耐火期間の組み入れ
- Authors: Yang Li, Xinyi Zeng, Zhe Xue, Pinxian Zeng, Zikai Zhang, Yan Wang,
- Abstract要約: スパイクトリガードしきい値ダイナミクスを用いて、屈折周期をLIFニューロンに組み込む方法を提案する。
RPLIFは、Cifar10-DVS(82.40%)とN-Caltech101(83.35%)の最先端のパフォーマンスを、より少ないタイムステップで達成し、低レイテンシでDVS128 Gesture(97.22%)で優れたパフォーマンスを示す。
- 参考スコア（独自算出の注目度）: 16.273350447266132
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the third generation of neural networks, spiking neural networks (SNNs) have recently gained widespread attention for their biological plausibility, energy efficiency, and effectiveness in processing neuromorphic datasets. To better emulate biological neurons, various models such as Integrate-and-Fire (IF) and Leaky Integrate-and-Fire (LIF) have been widely adopted in SNNs. However, these neuron models overlook the refractory period, a fundamental characteristic of biological neurons. Research on excitable neurons reveal that after firing, neurons enter a refractory period during which they are temporarily unresponsive to subsequent stimuli. This mechanism is critical for preventing over-excitation and mitigating interference from aberrant signals. Therefore, we propose a simple yet effective method to incorporate the refractory period into spiking LIF neurons through spike-triggered threshold dynamics, termed RPLIF. Our method ensures that each spike accurately encodes neural information, effectively preventing neuron over-excitation under continuous inputs and interference from anomalous inputs. Incorporating the refractory period into LIF neurons is seamless and computationally efficient, enhancing robustness and efficiency while yielding better performance with negligible overhead. To the best of our knowledge, RPLIF achieves state-of-the-art performance on Cifar10-DVS(82.40%) and N-Caltech101(83.35%) with fewer timesteps and demonstrates superior performance on DVS128 Gesture(97.22%) at low latency.
- Abstract（参考訳）: 第3世代のニューラルネットワークとして、スパイクニューラルネットワーク(SNN)は、最近、その生物学的妥当性、エネルギー効率、ニューロモルフィックデータセットの処理における有効性について広く注目を集めている。
生体ニューロンをよりエミュレートするために、SNNではIntegrate-and-Fire(IF)やLeaky Integrate-and-Fire(LIF)といった様々なモデルが広く採用されている。
しかし、これらのニューロンモデルは、生物学的ニューロンの基本的な特徴である屈折周期を無視する。
興奮性ニューロンの研究は、発射後、ニューロンが一時的に刺激に反応しない屈折期に入ることを明らかにしている。
この機構は、異常信号からの過剰な励起や干渉の緩和に重要である。
そこで本研究では、RPLIFと呼ばれるスパイクトリガードしきい値ダイナミクスを用いて、屈折周期をLIFニューロンに組み込む簡易かつ効果的な方法を提案する。
提案手法は,各スパイクが神経情報を正確に符号化し,連続入力によるニューロン過剰励起や異常入力からの干渉を効果的に防止する。
LIFニューロンに屈折周期を組み込むことはシームレスで計算効率が良く、頑丈さと効率性が向上すると同時に、無視できないオーバーヘッドでより良い性能が得られる。
我々の知る限り、RPLIFはCifar10-DVS(82.40%)とN-Caltech101(83.35%)の最先端のパフォーマンスを少ないタイムステップで達成し、低レイテンシでDVS128 Gesture(97.22%)で優れたパフォーマンスを示す。
関連論文リスト
- Dendritic Resonate-and-Fire Neuron for Effective and Efficient Long Sequence Modeling [66.0841376808143]
樹状共振器(RF)ニューロンは入力信号から効率的に周波数を抽出し、スパイク列車に符号化することができる。
RFニューロンは、複雑なタスクにおけるエネルギー効率とトレーニング速度のトレードオフとして、有効なメモリ容量が限られている。
本稿では,複数の共振器とソマアーキテクチャを明示的に組み込んだDdendritic Resonate-and-Fireモデルを提案する。
論文 参考訳（メタデータ） (2025-09-21T18:15:45Z) - Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。
既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。
本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
論文 参考訳（メタデータ） (2025-07-22T18:20:56Z) - Optimization of Low-Latency Spiking Neural Networks Utilizing Historical Dynamics of Refractory Periods [4.020441924736797]
屈折周期は、ネットワーク安定性と耐雑音性に不可欠なニューロンスパイク発火速度を制御する。
本研究では,初期耐火期間を推定し,その期間を動的に調整する履歴動的耐火期間(HDRP)モデルを提案する。
提案手法は,SNNの2値特性を保ちながら,耐雑音性と全体的な性能を向上する。
論文 参考訳（メタデータ） (2025-06-30T04:42:19Z) - Balanced Resonate-and-Fire Neurons [1.3223682837381137]
我々はバニラRFニューロンの内在的制限を緩和する平衡RFニューロン(BRF)を導入する。
BRFニューロンのネットワークは、全体的なタスク性能を向上し、スパイクのごく一部しか発生せず、現代のRSNNに比べてパラメータが大幅に少ないことを示す。
論文 参考訳（メタデータ） (2024-02-02T12:57:21Z) - 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) - 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) - Exploiting High Performance Spiking Neural Networks with Efficient
Spiking Patterns [4.8416725611508244]
スパイキングニューラルネットワーク(SNN)は、離散スパイクシーケンスを使用して情報を伝達し、脳の情報伝達を著しく模倣する。
本稿では、動的バーストパターンを導入し、短時間の性能と動的時間的性能のトレードオフを可能にするLeaky Integrate and Fire or Burst(LIFB)ニューロンを設計する。
論文 参考訳（メタデータ） (2023-01-29T04:22:07Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-06T13:04:45Z) - Modeling Associative Plasticity between Synapses to Enhance Learning of
Spiking Neural Networks [4.736525128377909]
Spiking Neural Networks(SNN)は、ニューラルネットワークの第3世代であり、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする。
本稿では,シナプス間の結合可塑性をモデル化し,頑健で効果的な学習機構を提案する。
本手法は静的および最先端のニューロモルフィックデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2022-07-24T06:12:23Z)
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。