論文の概要: Revisiting Direct Encoding: Learnable Temporal Dynamics for Static Image Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2512.01687v1
• Date: Mon, 01 Dec 2025 13:55:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.881076
• Title: Revisiting Direct Encoding: Learnable Temporal Dynamics for Static Image Spiking Neural Networks
• Title（参考訳）: 直接符号化を再考する:静的画像スパイクニューラルネットワークのための学習可能な時間ダイナミクス
• Authors: Huaxu He,
• Abstract要約: 時間的ダイナミクスを欠いた静的画像の処理は、ニューラルネットワーク(SNN)をスパイクする基本的な課題である 直接訓練されたSNNでは、静的な入力は通常、時間ステップにわたって繰り返され、時間次元が表現のような速度に崩壊し、意味のある時間的モデリングを防ぐ。 この研究は、直接符号化とレートベース符号化の報告された性能ギャップを再考し、主に、符号化スキーム自体よりも、畳み込み学習性(convolutional learningability)とシュロゲート勾配の定式化(surrogate gradient formulations)に由来することを示す。
• 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: Handling static images that lack inherent temporal dynamics remains a fundamental challenge for spiking neural networks (SNNs). In directly trained SNNs, static inputs are typically repeated across time steps, causing the temporal dimension to collapse into a rate like representation and preventing meaningful temporal modeling. This work revisits the reported performance gap between direct and rate based encodings and shows that it primarily stems from convolutional learnability and surrogate gradient formulations rather than the encoding schemes themselves. To illustrate this mechanism level clarification, we introduce a minimal learnable temporal encoding that adds adaptive phase shifts to induce meaningful temporal variation from static inputs.
• Abstract（参考訳）: 時間的ダイナミクスを欠いた静的イメージの処理は、ニューラルネットワーク(SNN)をスパイクする上で、依然として基本的な課題である。 直接訓練されたSNNでは、静的な入力は通常、時間ステップにわたって繰り返され、時間次元が表現のような速度に崩壊し、意味のある時間的モデリングを防ぐ。 この研究は、直接符号化とレートベース符号化の報告された性能ギャップを再考し、主に、符号化スキーム自体よりも、畳み込み学習性(convolutional learningability)とシュロゲート勾配の定式化(surrogate gradient formulations)に由来することを示す。 このメカニズムレベルを明確にするために,静的入力から有意な時間変動を誘発する適応位相シフトを付加する,最小限の学習可能な時間符号化を導入する。

関連論文リスト

• Learning Time in Static Classifiers [44.358377952850994]
  本稿では,標準フィードフォワード分類器と時間的推論を併用した,シンプルで効果的なフレームワークを提案する。 本稿では, 時間的コヒーレントなトラジェクトリに学習データを構造化するSEQ学習パラダイムを提案する。 我々のアプローチは静的および時間的学習をモジュール的でデータ効率のよい方法でブリッジし、事前抽出された機能の上に単純なものだけを必要とする。
  論文  参考訳（メタデータ） (2025-11-15T18:42:51Z)
• Stabilizing Direct Training of Spiking Neural Networks: Membrane Potential Initialization and Threshold-robust Surrogate Gradient [11.229584148105113]
  スパイキングニューラルネットワーク(SNN)は、初期の段階でも高品質な出力を実証している。 本稿では,MP-Init(Membrane Potential Initialization)とTrSG(Threshold-robust Surrogate Gradient)の2つの重要なイノベーションを紹介する。
  論文  参考訳（メタデータ） (2025-11-11T19:15:30Z)
• 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)
• Spline Deformation Field [21.755382164519776]
  帰納バイアスは、不適切なシナリオにおける標準空間コヒーレンスを妨げる。 本稿では,従来の結合技術に取って代わる,新しい低ランク空間符号化手法を提案する。 最先端の手法と比較して、競争力のある動的再構成品質を実現する。
  論文  参考訳（メタデータ） (2025-07-10T08:11:46Z)
• StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning [79.44594332189018]
  CIL(Class-Incremental Learning)は、以前取得した知識を使わずに、時間とともに新しいアクションカテゴリを継続的に学習するモデルの開発を目指している。 既存のアプローチでは、メモリとプライバシに関する懸念を忘れたり、あるいは時間的モデリングを無視する静的なイメージベースのメソッドを適用したりする。 本稿では,情報を明示的に切り離して保存する,統一的で非定型なVCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T06:46:51Z)
• Optimizing Spatio-Temporal Information Processing in Spiking Neural Networks via Unconstrained Leaky Integrate-and-Fire Neurons and Hybrid Coding [0.0]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)と比較してエネルギー効率が高い SNNは、時間情報を処理する能力という重要な特徴を持っている。 本稿では,時間ステップの異なるUnconstrained Integrate-and-Fire(ULIF)ニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-22T13:58:35Z)
• Enhancing Dynamic CT Image Reconstruction with Neural Fields and Optical Flow [0.0]
  偏微分方程式に基づく動的逆問題に対する明示的運動正規化器の導入の利点を示す。 また、ニューラルネットワークをグリッドベースの解法と比較し、前者はPSNRで後者より優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-03T13:07:29Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Time Dependence in Non-Autonomous Neural ODEs [74.78386661760662]
  時変重みを持つニューラルODEの新しいファミリーを提案する。 我々は、速度と表現能力の両面で、従来のニューラルODEの変形よりも優れていた。
  論文  参考訳（メタデータ） (2020-05-05T01:41:46Z)

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。