論文の概要: General aspects of internal noise in spiking neural networks

• arxiv url: http://arxiv.org/abs/2604.13612v1
• Date: Wed, 15 Apr 2026 08:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.452276
• Title: General aspects of internal noise in spiking neural networks
• Title（参考訳）: スパイクニューラルネットワークにおける内部ノイズの一般性
• Authors: I. D. Kolesnikov, D. A. Maksimov, V. M. Moskvitin, N. Semenova,
• Abstract要約: 本研究は,1つの漏れした統合燃焼ニューロンと訓練されたスパイキングニューラルネットワーク(SNN)に対する加法的および乗法的ノイズの影響について検討する。 その結果, 膜電位に対する乗算ノイズはネットワーク性能に最も有害な影響を及ぼし, 精度は著しく低下した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: This study examines the impact of additive and multiplicative noise on both a single leaky integrate-and-fire (LIF) neuron and a trained spiking neural network (SNN). Noise was introduced at different stages of neural processing, including the input current, membrane potential, and output spike generation. The results show that multiplicative noise applied to the membrane potential has the most detrimental effect on network performance, leading to a significant degradation in accuracy. This is primarily due to its tendency to suppress membrane potentials toward large negative values, effectively silencing neuronal activity. To address this issue, input pre-filtering strategies were evaluated, with a sigmoid-based filter demonstrating the best performance by shifting inputs to a strictly positive range. Under these conditions, additive noise in the input current becomes the dominant source of performance degradation, while other noise configurations reduce accuracy by no more than 1\%, even at high noise intensity. Additionally, the study compares the effects of common and uncommon noise across neuron populations in hidden layer, revealing that SNNs exhibit greater robustness to common noise. Overall, the findings identify the most critical noise mechanisms affecting SNNs and provide practical approaches for improving their robustness.
• Abstract（参考訳）: 本研究は1つの漏れ型統合火災ニューロン(LIF)と訓練されたスパイキングニューラルネットワーク(SNN)に対する加法的および乗法的ノイズの影響について検討した。 入力電流、膜電位、出力スパイク発生など、ニューラル処理の異なる段階でノイズが導入された。 その結果, 膜電位に対する乗算雑音はネットワーク性能に最も有害な影響を及ぼし, 精度は著しく低下した。 これは主に膜電位を大きな負の値に抑える傾向にあるためであり、効果的にニューロン活性をサイレンシングする。 この問題に対処するため,Sigmoid-based filter を用いて入力を厳密な正の値域にシフトすることで,最高の性能を示した。 これらの条件下では、入力電流中の付加雑音が性能劣化の主要因となり、他のノイズ構成は高雑音強度でも1\%以上の精度を低下させる。 さらに、この研究は、隠された層内のニューロン集団にまたがる一般的なノイズと非一般的なノイズの影響を比較し、SNNが共通のノイズに対してより堅牢性を示すことを示した。 全体として,SNNに影響を及ぼす最も重要なノイズメカニズムを特定し,その堅牢性を改善するための実践的なアプローチを提供する。

関連論文リスト

• Internal noise in deep neural networks: interplay of depth, neuron number, and noise injection step [0.0]
  本稿では,奥行きニューラルネットワークの性能に及ぼす内部ガウス雑音の影響について検討する。 アクティベーション関数の前後で導入された雑音を加法的および乗法的両方のノイズの影響で解析する。
  論文  参考訳（メタデータ） (2026-04-09T11:36:14Z)
• Paradoxical noise preference in RNNs [0.0]
  生物学的ニューラルネットワークをモデル化するために使用されるリカレントニューラルネットワーク(RNN)では、通常、トレーニング中にノイズを導入し、生物学的多様性をエミュレートし、学習を規則化する。 連続時間リカレントニューラルネットワーク(CTRNN)は、非ゼロノイズレベル、特に、トレーニング中に使用されるものと同じレベルにおいて、よく機能する。 このノイズ嗜好は、ニューラルアクティベーション関数内でノイズが注入されたときに生じ、アクティベーション関数の外でノイズが注入された訓練されたネットワークは、ゼロノイズで最もよく機能する。
  論文  参考訳（メタデータ） (2026-01-08T03:11:51Z)
• Impact of internal noise on convolutional neural networks [0.0]
  単純化された畳み込みネットワークにおける雑音の影響について検討する。 非相関ノイズの伝搬は接続行列の統計的性質に依存する。 ネットワークの出力信号における雑音レベルの解析は,数値シミュレーションの結果と強い相関関係を示す。
  論文  参考訳（メタデータ） (2025-05-10T11:49:37Z)
• Internal noise in hardware deep and recurrent neural networks helps with learning [0.0]
  ニューラルネットワークのトレーニング中の内部ノイズは、リカレントおよびディープニューラルネットワークの最終性能に影響を与える。 ほとんどの場合、ディープ状態とエコー状態のネットワークは、トレーニング中の内部ノイズの恩恵を受ける。
  論文  参考訳（メタデータ） (2025-04-18T16:26:46Z)
• Impact of white noise in artificial neural networks trained for classification: performance and noise mitigation strategies [0.0]
  ニューロンレベルでの加法的および乗法的なガウスホワイトノイズがネットワークの精度に与える影響を考察する。 我々はいくつかのノイズ低減手法を分類タスクの基本設定に適用する。
  論文  参考訳（メタデータ） (2024-11-07T01:21:12Z)
• Spiking-LEAF: A Learnable Auditory front-end for Spiking Neural Networks [53.31894108974566]
  Spiking-LEAFは、SNNベースの音声処理用に慎重に設計された学習可能な聴覚フロントエンドである。 キーワードスポッティングと話者識別タスクにおいて、提案したSpking-LEAFは、聴覚フロントエンドのSOTAよりも優れている。
  論文  参考訳（メタデータ） (2023-09-18T04:03:05Z)
• Feature Noise Boosts DNN Generalization under Label Noise [65.36889005555669]
  トレーニングデータにおけるラベルノイズの存在は、ディープニューラルネットワーク(DNN)の一般化に大きな影響を与える 本研究では,学習データの特徴に直接ノイズを付加する単純な特徴雑音法を,理論的に導入し,理論的に実証する。
  論文  参考訳（メタデータ） (2023-08-03T08:31:31Z)
• Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
  簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。 ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T14:19:36Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)
• Asymmetric Heavy Tails and Implicit Bias in Gaussian Noise Injections [73.95786440318369]
  我々は、勾配降下(SGD)のダイナミクスに対する注射ノイズの影響であるGNIsのいわゆる暗黙効果に焦点を当てています。 この効果は勾配更新に非対称な重尾ノイズを誘発することを示す。 そして、GNIが暗黙のバイアスを引き起こすことを正式に証明し、これは尾の重みと非対称性のレベルによって異なる。
  論文  参考訳（メタデータ） (2021-02-13T21:28:09Z)
• On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
  Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。 最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。 本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
  論文  参考訳（メタデータ） (2021-01-19T02:04:00Z)

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。