Fugu-MT 論文翻訳(概要): Scale-covariant spiking wavelets

論文の概要: Scale-covariant spiking wavelets

arxiv url: http://arxiv.org/abs/2602.02020v2
Date: Wed, 04 Feb 2026 20:40:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-06 14:11:23.852369
Title: Scale-covariant spiking wavelets
Title（参考訳）: スケール共変スパイキングウェーブレット
Authors: Jens Egholm Pedersen, Tony Lindeberg, Peter Gerstoft,
Abstract要約: ウェーブレット変換とスパイクニューラルネットワークの理論的関係をスケール空間理論により確立する。我々は、連続するウェーブレットを近似する離散母ウェーブレットを実装するために、積分および発火ニューロンにおけるスケール-共変保証に依存している。
参考スコア（独自算出の注目度）: 27.326806758811045
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We establish a theoretical connection between wavelet transforms and spiking neural networks through scale-space theory. We rely on the scale-covariant guarantees in the leaky integrate-and-fire neurons to implement discrete mother wavelets that approximate continuous wavelets. A reconstruction experiment demonstrates the feasibility of the approach and warrants further analysis to mitigate current approximation errors. Our work suggests a novel spiking signal representation that could enable more energy-efficient signal processing algorithms.
Abstract（参考訳）: ウェーブレット変換とスパイクニューラルネットワークの理論的関係をスケール空間理論により確立する。我々は、連続するウェーブレットを近似する離散母ウェーブレットを実装するために、漏れた集積・発火ニューロンにおけるスケール-共変保証に依存している。再構成実験は、アプローチの実現可能性を示し、現在の近似誤差を軽減するためにさらなる分析を保証します。我々の研究は、よりエネルギー効率の良い信号処理アルゴリズムを可能にする新しいスパイキング信号表現を示唆している。

関連論文リスト

Provable wavelet-based neural approximation [0.0]
ニューラルネットワークの普遍近似能力を解析するためのウェーブレットに基づく理論フレームワークを開発した。活性化関数に関する十分な条件を導出し、関連するニューラルネットワークが与えられた空間内の任意の関数を誤差推定と共に近似することを保証する。
論文参考訳（メタデータ） (2025-04-23T13:02:37Z)
Ambient Noise Full Waveform Inversion with Neural Operators [11.44207799108199]
近年の研究では、ニューラル演算子と呼ばれる新しい機械学習モデルが、従来の方法よりもはるかに高速にエラストダイナミック波動方程式のオーダーを解くことができることが示されている。本研究では, 実地震データセット上での完全な波形インバージョンに対するニューラル演算子の最初の応用を実証する。
論文参考訳（メタデータ） (2025-03-19T09:10:43Z)
Rational Gaussian wavelets and corresponding model driven neural networks [1.379948897986203]
ガウスウェーブレットを用いた連続ウェーブレット変換を適切な有理項で乗算する。この有理修飾子の零点と極は自由パラメータとして作用し、その選択は母ウェーブレットの形状に大きな影響を及ぼす。提案した有理ガウスウェーブレットは許容可能であることを示し、ウェーブレット係数の数値近似を提供する。
論文参考訳（メタデータ） (2025-02-03T11:53:11Z)
Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
論文参考訳（メタデータ） (2024-08-23T15:02:09Z)
WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文参考訳（メタデータ） (2024-07-18T11:51:01Z)
Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
論文参考訳（メタデータ） (2023-05-18T12:30:26Z)
Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
論文参考訳（メタデータ） (2023-05-12T04:12:04Z)
Deep Residual Error and Bag-of-Tricks Learning for Gravitational Wave Surrogate Modeling [32.15071712355222]
本稿では,13.4倍の精度で波形のミスマッチを最大化する方法を示す。最も重要な改善は、残留エラーをモデル化する第2のネットワークの追加である。
論文参考訳（メタデータ） (2022-03-16T07:12:42Z)
Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial Schr\"odinger Equation [77.34726150561087]
本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
論文参考訳（メタデータ） (2021-06-25T17:25:38Z)
Lightning-Fast Gravitational Wave Parameter Inference through Neural Amortization [6.810835072367285]
ニューラルシミュレーションに基づく推論の最近の進歩は、推論時間を最大3桁スピードアップすることができる。シミュレーションされた重力波のパラメータの信頼区間を精度良く推定する。
論文参考訳（メタデータ） (2020-10-24T16:48:24Z)

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。