論文の概要: DendroNN: Dendrocentric Neural Networks for Energy-Efficient Classification of Event-Based Data

• arxiv url: http://arxiv.org/abs/2603.09274v1
• Date: Tue, 10 Mar 2026 06:59:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.111727
• Title: DendroNN: Dendrocentric Neural Networks for Energy-Efficient Classification of Event-Based Data
• Title（参考訳）: DendroNN: イベントベースデータのエネルギー効率の良い分類のためのデンドロ中心ニューラルネットワーク
• Authors: Jann Krausse, Zhe Su, Kyrus Mama, Maryada, Klaus Knobloch, Giacomo Indiveri, Jürgen Becker,
• Abstract要約: イベントベースのニューラルネットワークは、多様な感覚処理と計算タスクを解決するために使用できる。 彼らは時間情報を高い精度で復号するのに苦労している。 彼らは一般的に、時間計算能力を高めるために、繰り返しや遅延を頼りにしている。 本研究では,デンドライトの枝に存在する配列検出機構に着目し,新しいタイプのニューラルネットワークに変換する。
• 参考スコア（独自算出の注目度）: 3.753347944913447
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Spatiotemporal information is at the core of diverse sensory processing and computational tasks. Feed-forward spiking neural networks can be used to solve these tasks while offering potential benefits in terms of energy efficiency by computing event-based. However, they have trouble decoding temporal information with high accuracy. Thus, they commonly resort to recurrence or delays to enhance their temporal computing ability which, however, bring downsides in terms of hardware-efficiency. In the brain, dendrites are computational powerhouses that just recently started to be acknowledged in such machine learning systems. In this work, we focus on a sequence detection mechanism present in branches of dendrites and translate it into a novel type of neural network by introducing a dendrocentric neural network, DendroNN. DendroNNs identify unique incoming spike sequences as spatiotemporal features. This work further introduces a rewiring phase to train the non-differentiable spike sequences without the use of gradients. During the rewiring, the network memorizes frequently occurring sequences and additionally discards those that do not contribute any discriminative information. The networks display competitive accuracies across various event-based time series datasets. We also propose an asynchronous digital hardware architecture using a time-wheel mechanism that builds on the event-driven design of DendroNNs, eliminating per-step global updates typical of delay- or recurrence-based models. By leveraging a DendroNN's dynamic and static sparsity along with intrinsic quantization, it achieves up to 4x higher efficiency than state-of-the-art neuromorphic hardware at comparable accuracy on the same audio classification task, demonstrating its suitability for spatiotemporal event-based computing. This work offers a novel approach to low-power spatiotemporal processing on event-driven hardware.
• Abstract（参考訳）: 時空間情報は、多様な感覚処理と計算タスクの中核にある。 フィードフォワードスパイクニューラルネットワークは、イベントベースの計算によるエネルギー効率の面で潜在的利益を提供しながら、これらのタスクを解決するために使用できる。 しかし,時間情報を高精度に復号化することは困難である。 したがって、彼らは一般的に、ハードウェア効率の点で欠点をもたらす一時的な計算能力を高めるために、繰り返しや遅延を頼りにしている。 脳内では、デンドライトは計算パワーハウスであり、最近そのような機械学習システムで認識され始めたばかりです。 本研究では,デンドライトの枝に存在する配列検出機構に着目し,デンドロ中心型ニューラルネットワークDendroNNを導入することにより,新しいタイプのニューラルネットワークに変換する。 DendroNNは、ユニークなスパイクシーケンスを時空間の特徴として識別する。 この研究は、勾配を使わずに、微分不可能なスパイクシーケンスをトレーニングするためのスイッチングフェーズも導入した。 再配線中、ネットワークは頻繁に発生するシーケンスを記憶し、識別情報に寄与しないシークエンスも捨てる。 ネットワークは、さまざまなイベントベースの時系列データセット間での競合的精度を示す。 また,DendroNNのイベント駆動設計に基づくタイムホイール機構を用いた非同期ディジタルハードウェアアーキテクチャを提案する。 固有量子化とともにDendroNNの動的で静的な空間性を活用することにより、同じ音声分類タスクにおいて、最先端のニューロモルフィックハードウェアと同等の精度で最大4倍の効率を実現し、時空間イベントベースのコンピューティングに適していることを示す。 この研究は、イベント駆動ハードウェア上での低消費電力時空間処理に対する新しいアプローチを提供する。

関連論文リスト

• 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)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
  スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。 本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
  論文  参考訳（メタデータ） (2024-05-27T05:53:30Z)
• Stochastic Spiking Neural Networks with First-to-Spike Coding [7.955633422160267]
  スパイキングニューラルネットワーク (SNN) は、その生物の楽観性とエネルギー効率で知られている。 本研究では,SNNアーキテクチャにおける新しい計算手法と情報符号化方式の融合について検討する。 提案手法のトレードオフを,精度,推論遅延,スパイク空間性,エネルギー消費,データセットの観点から検討する。
  論文  参考訳（メタデータ） (2024-04-26T22:52:23Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Neuromorphic Algorithm-hardware Codesign for Temporal Pattern Learning [11.781094547718595]
  複雑な空間時間パターンを学習するためにSNNを訓練できるLeaky IntegrateとFireニューロンの効率的なトレーニングアルゴリズムを導出する。 我々は,ニューロンとシナプスのメムリスタに基づくネットワークのためのCMOS回路実装を開発した。
  論文  参考訳（メタデータ） (2021-04-21T18:23:31Z)
• Multivariate Time Series Classification Using Spiking Neural Networks [7.273181759304122]
  スパイクニューラルネットワークは低消費電力を可能にするため注目されている。 本稿では,時系列をスパース時空間スパイクパターンに変換する符号化方式を提案する。 空間時間パターンを分類する学習アルゴリズムも提案する。
  論文  参考訳（メタデータ） (2020-07-07T15:24:01Z)

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。