論文の概要: Stochastic Spiking Neuron Based SNN Can be Inherently Bayesian

• arxiv url: http://arxiv.org/abs/2602.07037v1
• Date: Tue, 03 Feb 2026 10:48:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.388016
• Title: Stochastic Spiking Neuron Based SNN Can be Inherently Bayesian
• Title（参考訳）: 確率スパイクニューロンをベースとしたSNNは本質的にベイズ的である
• Authors: Huannan Zheng, Jingli Liu, Kezhou Yang,
• Abstract要約: 生物学的神経系の不確実性は、有害性よりも有益であると考えられる。 ニューロモルフィックコンピューティングシステムでは、デバイス可変性はしばしば精度と効率を含む性能を制限する。 本稿では,本質的デバイス性の動的モデルを統合するスパイクニューラルネットワークフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.033985395340995594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty in biological neural systems appears to be computationally beneficial rather than detrimental. However, in neuromorphic computing systems, device variability often limits performance, including accuracy and efficiency. In this work, we propose a spiking Bayesian neural network (SBNN) framework that unifies the dynamic models of intrinsic device stochasticity (based on Magnetic Tunnel Junctions) and stochastic threshold neurons to leverage noise as a functional Bayesian resource. Experiments demonstrate that SBNN achieves high accuracy (99.16% on MNIST, 94.84% on CIFAR10) with 8-bit precision. Meanwhile rate estimation method provides a ~20-fold training speedup. Furthermore, SBNN exhibits superior robustness, showing a 67% accuracy improvement under synaptic weight noise and 12% under input noise compared to standard spiking neural networks. Crucially, hardware validation confirms that physical device implementation causes invisible accuracy and calibration loss compared to the algorithmic model. Converting device stochasticity into neuronal uncertainty offers a route to compact, energy-efficient neuromorphic computing under uncertainty.
• Abstract（参考訳）: 生物学的神経系の不確かさは、有害性よりも計算学的に有益である。 しかしながら、ニューロモルフィックコンピューティングシステムでは、デバイス可変性はしばしば精度と効率を含む性能を制限している。 本研究では,固有デバイス確率性(磁気トンネル接合に基づく)と確率しきい値ニューロンの動的モデルを統合し,ノイズを機能的ベイズ資源として活用するスパイキングベイズニューラルネットワーク(SBNN)フレームワークを提案する。 実験により、SBNNは8ビット精度で高い精度(MNISTが99.16%、CIFAR10が94.84%)を達成することが示された。 一方、レート推定法は、約20倍のトレーニングスピードアップを提供する。 さらに、SBNNは、通常のスパイクニューラルネットワークと比較して、シナプス重み雑音では67%、入力ノイズでは12%の精度向上を示す、優れた堅牢性を示す。 ハードウェアの検証は、物理デバイスの実装がアルゴリズムモデルと比較して見えない精度とキャリブレーション損失を引き起こすことを確認している。 デバイス確率性から神経細胞の不確実性への変換は、不確実性の下でのコンパクトでエネルギー効率の良いニューロモルフィックコンピューティングへの経路を提供する。

関連論文リスト

• General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
  スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。 本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。 この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
  論文  参考訳（メタデータ） (2026-01-29T15:08:48Z)
• Event-based Neural Spike Detection Using Spiking Neural Networks for Neuromorphic iBMI Systems [6.5271882730600455]
  埋め込み可能な脳-機械インタフェース(iBMI)は、何千ものニューロンからワイヤレスで記録するように進化しているが、データ帯域幅、消費電力、インプラントサイズに課題に直面している。 本稿では、デルタ変調とパルスカウント変調によって生成されたイベントベースのニューラルデータを処理し、信号をスパースイベントに変換する新しいスパイキングニューラルネットワークスパイク検出器(SNN-SPD)を提案する。
  論文  参考訳（メタデータ） (2025-05-10T07:07:00Z)
• 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)
• STOP: Spatiotemporal Orthogonal Propagation for Weight-Threshold-Leakage Synergistic Training of Deep Spiking Neural Networks [11.85044871205734]
  ディープ脳スパイクニューラルネットワーク(SNN)モデルは、効率的で高精度なディープSNN学習アルゴリズムを欠いている。 我々のアルゴリズムは、SNNの精度を向上させるために、完全なシナジスティック学習と、スパイキングニューロンのしきい値や漏れ要因の発射を可能にする。 特徴的に、空間的に後ろ向きの神経の誤りと時間的前向きのトレースは互いに独立して伝播し、計算の複雑さを著しく減少させる。
  論文  参考訳（メタデータ） (2024-11-17T14:15:54Z)
• 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)
• Stochastic Domain Wall-Magnetic Tunnel Junction Artificial Neurons for Noise-Resilient Spiking Neural Networks [0.0]
  本稿では,電圧依存性の確率発火を伴うDW-MTJニューロンについて述べる。 トレーニング中の検証精度は、理想的な統合およびファイアデバイスに匹敵することを示した。 本研究は、DW-MTJデバイスを用いて、エッジ上のニューロモルフィックコンピューティングに適した耐雑音性ネットワークを構築することができることを示す。
  論文  参考訳（メタデータ） (2023-04-10T18:00:26Z)
• Variational Neural Networks [88.24021148516319]
  本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。 VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。 不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-04T15:41:02Z)
• Can pruning improve certified robustness of neural networks? [106.03070538582222]
  ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。 実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。 さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
  論文  参考訳（メタデータ） (2022-06-15T05:48:51Z)
• A New Neuromorphic Computing Approach for Epileptic Seizure Prediction [4.798958633851825]
  CNNは計算的に高価で電力が空腹です。 エネルギー効率のよいスパイクニューラルネットワーク(SNN)によって動機づけられた、発作予測のためのニューロモルフィックコンピューティングアプローチが本研究で提案されている。
  論文  参考訳（メタデータ） (2021-02-25T10:39:18Z)

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。