Fugu-MT 論文翻訳(概要): Evolutionary feature selection for spiking neural network pattern classifiers

論文の概要: Evolutionary feature selection for spiking neural network pattern classifiers

arxiv url: http://arxiv.org/abs/2604.26654v1
Date: Wed, 29 Apr 2026 13:21:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-30 15:59:36.416342
Title: Evolutionary feature selection for spiking neural network pattern classifiers
Title（参考訳）: スパイクニューラルネットワークパターン分類器の進化的特徴選択
Authors: Michal Valko, Nuno C. Marques, Marco Castelani,
Abstract要約: JASTAPニューラルネットワークモデルは、基本多層パーセプトロンモデルの代替として提示される。 IRIS標準データセットの予備的な結果は、この拡張によって、分類精度を劣化させることなくノイズの多いデータを処理できる、より小さなニューラルネットワークの使用が可能になることを証明している。
参考スコア（独自算出の注目度）: 14.808002600024578
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents an application of the biologically realistic JASTAP neural network model to classification tasks. The JASTAP neural network model is presented as an alternative to the basic multi-layer perceptron model. An evolutionary procedure previously applied to the simultaneous solution of feature selection and neural network training on standard multi-layer perceptrons is extended with JASTAP model. Preliminary results on IRIS standard data set give evidence that this extension allows the use of smaller neural networks that can handle noisier data without any degradation in classification accuracy.
Abstract（参考訳）: 本稿では,生物学的に現実的なJASTAPニューラルネットワークモデルの分類タスクへの応用について述べる。 JASTAPニューラルネットワークモデルは、基本多層パーセプトロンモデルの代替として提示される。 JASTAPモデルを用いて、標準多層パーセプトロンにおける特徴選択とニューラルネットワークトレーニングの同時解に適用した進化的手順を拡張した。 IRIS標準データセットの予備的な結果は、この拡張によって、分類精度を劣化させることなくノイズの多いデータを処理できる、より小さなニューラルネットワークの使用が可能になることを証明している。

関連論文リスト

Threshold Modulation for Online Test-Time Adaptation of Spiking Neural Networks [13.112288560806359]
ニューロモルフィックチップにデプロイされたスパイクニューラルネットワーク(SNN)は、異なるシナリオでエッジデバイスに効率的なソリューションを提供する。オンラインテストタイム適応(OTTA)は、ソースデータやラベル付きターゲットサンプルを必要とせずに、モデルが新しいデータ分布に適応できるようにすることで、有望なソリューションを提供する。既存のOTTA法は主に従来のニューラルネットワーク用に設計されており、SNNには適していない。本稿では,分散シフト下でのモデル一般化の促進を目的とした,低消費電力でニューロモルフィックなチップフレンドリーなオンラインテストタイム適応フレームワークを提案する。
論文参考訳（メタデータ） (2025-05-08T16:09:40Z)
Planarian Neural Networks: Evolutionary Patterns from Basic Bilateria Shaping Modern Artificial Neural Network Architectures [7.054776300100835]
本研究の目的は, プランタリアンの生物学的神経系構造に触発された新しいアプローチにより, ANNの画像分類性能を向上させることである。提案した計画的ニューラルネットワークは、CIFAR-10とCIFAR-100データセットに基づいて評価された。
論文参考訳（メタデータ） (2025-01-08T18:59:36Z)
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)
Provable Identifiability of Two-Layer ReLU Neural Networks via LASSO Regularization [15.517787031620864]
LASSOの領域は、ファッショナブルで強力な非線形回帰モデルである2層ReLUニューラルネットワークに拡張される。 LASSO推定器はニューラルネットワークを安定的に再構築し,サンプル数が対数的にスケールする場合に$mathcalSstar$を識別可能であることを示す。我々の理論は、2層ReLUニューラルネットワークのための拡張Restricted Isometry Property (RIP)ベースの分析フレームワークにある。
論文参考訳（メタデータ） (2023-05-07T13:05:09Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Supervised Feature Selection with Neuron Evolution in Sparse Neural Networks [17.12834153477201]
スパースニューラルネットワークを用いた資源効率の高い新しい特徴選択法を提案する。スクラッチからトレーニングされたスパースニューラルネットワークの入力層から、不定形的特徴を徐々に抜き取ることにより、NeuroFSは、機能の情報的サブセットを効率的に導き出す。 NeuroFSは、最先端の教師付き特徴選択モデルの中で最上位のスコアを達成している。
論文参考訳（メタデータ） (2023-03-10T17:09:55Z)
Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文参考訳（メタデータ） (2022-09-26T17:59:58Z)
Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文参考訳（メタデータ） (2022-01-11T20:53:15Z)
Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文参考訳（メタデータ） (2020-07-03T01:37:16Z)
Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。