論文の概要: Convolutional Spiking-based GRU Cell for Spatio-temporal Data

• arxiv url: http://arxiv.org/abs/2510.25696v1
• Date: Wed, 29 Oct 2025 17:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.812765
• Title: Convolutional Spiking-based GRU Cell for Spatio-temporal Data
• Title（参考訳）: 時空間データのための畳み込みスパイク型GRUセル
• Authors: Yesmine Abdennadher, Eleonora Cicciarella, Michele Rossi,
• Abstract要約: 本稿では,局所構造と依存関係の保存に畳み込み操作を利用するConal SpikingRU (CS-GRU) セルを提案する。 また,SpikGRUに比べて効率が69%向上したことも注目に値する。
• 参考スコア（独自算出の注目度）: 2.8365667468538116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spike-based temporal messaging enables SNNs to efficiently process both purely temporal and spatio-temporal time-series or event-driven data. Combining SNNs with Gated Recurrent Units (GRUs), a variant of recurrent neural networks, gives rise to a robust framework for sequential data processing; however, traditional RNNs often lose local details when handling long sequences. Previous approaches, such as SpikGRU, fail to capture fine-grained local dependencies in event-based spatio-temporal data. In this paper, we introduce the Convolutional Spiking GRU (CS-GRU) cell, which leverages convolutional operations to preserve local structure and dependencies while integrating the temporal precision of spiking neurons with the efficient gating mechanisms of GRUs. This versatile architecture excels on both temporal datasets (NTIDIGITS, SHD) and spatio-temporal benchmarks (MNIST, DVSGesture, CIFAR10DVS). Our experiments show that CS-GRU outperforms state-of-the-art GRU variants by an average of 4.35%, achieving over 90% accuracy on sequential tasks and up to 99.31% on MNIST. It is worth noting that our solution achieves 69% higher efficiency compared to SpikGRU. The code is available at: https://github.com/YesmineAbdennadher/CS-GRU.
• Abstract（参考訳）: スパイクベースの時間メッセージングにより、SNNは、純粋に時間的および時空間的な時系列データまたはイベント駆動データの両方を効率的に処理できる。 SNNと、リカレントニューラルネットワークの亜種であるGRU(Gated Recurrent Units)を組み合わせることで、シーケンシャルなデータ処理のための堅牢なフレームワークが生まれる。 SpikGRUのような従来のアプローチでは、イベントベースの時空間データにおいて、きめ細かいローカル依存関係をキャプチャできない。 本稿では,GRUの効率的なゲーティング機構とスパイキングニューロンの時間的精度を統合しつつ,局所構造と依存を保ちつつ,畳み込み操作を活用するコンボリュータルスパイキングGRU(CS-GRU)細胞を紹介する。 この汎用アーキテクチャは、時空間データセット(NTIDIGITS、SHD)と時空間ベンチマーク(MNIST、DVSGesture、CIFAR10DVS)の両方で優れている。 実験の結果,CS-GRUは最先端のGRUよりも平均4.35%優れ,シーケンシャルタスクでは90%以上,MNISTでは99.31%の精度を実現していることがわかった。 また,SpikGRUに比べて効率が69%向上したことも注目に値する。 コードはhttps://github.com/YesmineAbdennadher/CS-GRUで公開されている。

関連論文リスト

• Towards Low-latency Event-based Visual Recognition with Hybrid Step-wise Distillation Spiking Neural Networks [50.32980443749865]
  スパイキングニューラルネットワーク(SNN)は、低消費電力と高い生物性のために大きな注目を集めている。 現在のSNNは、ニューロモルフィックデータセットの正確性とレイテンシのバランスをとるのに苦労している。 ニューロモルフィックデータセットに適したステップワイド蒸留法(HSD)を提案する。
  論文  参考訳（メタデータ） (2024-09-19T06:52:34Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Time-Parameterized Convolutional Neural Networks for Irregularly Sampled Time Series [26.77596449192451]
  不規則にサンプリングされた時系列は、いくつかのアプリケーション領域でユビキタスであり、スパースであり、完全に観測されていない、非整合的な観察に繋がる。 標準シーケンシャルニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)は、観測時間間の定期的な間隔を考慮し、不規則な時系列モデリングに重大な課題を提起する。 時間的に不規則なカーネルを用いて畳み込み層をパラメータ化する。
  論文  参考訳（メタデータ） (2023-08-06T21:10:30Z)
• Task-Synchronized Recurrent Neural Networks [0.0]
  リカレントニューラルネットワーク(RNN)は、伝統的に事実を無視し、時間差を追加入力として与えたり、データを再サンプリングしたりする。 我々は、データやタスクの時間と一致するように、RNNを効果的に再サンプリングするエレガントな代替手法を提案する。 我々は、我々のモデルがデータの時間的非均一性を効果的に補償できることを実証的に確認し、データ再サンプリングや古典的RNN手法、代替的なRNNモデルと比較することを実証した。
  論文  参考訳（メタデータ） (2022-04-11T15:27:40Z)
• Shift-Robust GNNs: Overcoming the Limitations of Localized Graph Training data [52.771780951404565]
  Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。 SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
  論文  参考訳（メタデータ） (2021-08-02T18:00:38Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
  本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。 過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。 このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
  論文  参考訳（メタデータ） (2020-08-17T23:39:33Z)
• A GRU-based Mixture Density Network for Data-Driven Dynamic Stochastic Programming [15.517550827358104]
  本稿では、時系列決定問題に対する革新的なデータ駆動動的プログラミング(DD-DSP)フレームワークを提案する。 具体的には、GRUとガウス混合モデル(GMM)を統合するディープニューラルネットワークを考案する。 我々のフレームワークはLSTMに基づくデータ駆動最適化よりも優れており、車両の平均はLSTMよりも低い。
  論文  参考訳（メタデータ） (2020-06-26T15:42:59Z)
• SiTGRU: Single-Tunnelled Gated Recurrent Unit for Abnormality Detection [29.500392184282518]
  異常検出のための単一トンネルGRU(Single Tunnelled GRU)と呼ばれるGRU(Gated Recurrent Unit)の新規バージョンを提案する。 提案手法は,標準GRUとLong Short Term Memory(LSTM)ネットワークを,検出および一般化タスクのほとんどの指標で上回っている。
  論文  参考訳（メタデータ） (2020-03-30T14:58:13Z)

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。