論文の概要: Scalable Learning in Structured Recurrent Spiking Neural Networks without Backpropagation
- arxiv url: http://arxiv.org/abs/2605.00402v1
- Date: Fri, 01 May 2026 04:45:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.849437
- Title: Scalable Learning in Structured Recurrent Spiking Neural Networks without Backpropagation
- Title（参考訳）: バックプロパゲーションのない構造化リカレントスパイクニューラルネットワークにおけるスケーラブルな学習
- Authors: Bo Tang, Weiwei Xie,
- Abstract要約: Spiking Neural Networks (SNN)は、エネルギー効率と生物学的基盤計算のための有望なフレームワークを提供する。
本研究では, 局所的に密集した再帰層で構成された構造的多層再帰型SNNアーキテクチャを提案する。
長距離接続は概ね固定されており、ルーティング効率とハードウェアのスケーラビリティを保ち、シナプス適応は厳密に局所的な可塑性機構を用いて実行される。
- 参考スコア（独自算出の注目度）: 6.572000338549628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spiking Neural Networks (SNNs) provide a promising framework for energy-efficient and biologically grounded computation; however, scalable learning in deep recurrent architectures with sparse connectivity remains a major challenge. In this work, we propose a structured multi-layer recurrent SNN architecture composed of locally dense recurrent layers augmented with sparse small-world long-range projections to a readout population. The long-range connectivity is largely fixed, preserving routing efficiency and hardware scalability, while synaptic adaptation is performed using strictly local plasticity mechanisms. To enable supervised learning without backpropagation or surrogate gradients, we introduce a biologically motivated learning framework that combines: (i) population-based winner-take-all (WTA) teaching signals at the output layer, (ii) fixed random broadcast alignment feedback pathways, and (iii) low-dimensional modulatory neuron populations that gate synaptic updates through three-factor learning rules with eligibility traces. This design supports deep recurrent computation with sparse global communication and purely local synaptic updates. We analyze the algorithmic properties, computational complexity, and hardware feasibility of the proposed approach, and demonstrate stable learning and competitive performance on benchmark classification tasks. The results highlight the potential of structured recurrence and neuromodulatory learning to enable scalable, hardware-compatible SNN training beyond gradient-based methods.
- Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、エネルギー効率が高く生物学的に基礎付けられた計算のための有望なフレームワークを提供する。
本研究では, 局所的に密集した再帰層からなる多層SNNアーキテクチャを提案する。
長距離接続は概ね固定されており、ルーティング効率とハードウェアのスケーラビリティを保ち、シナプス適応は厳密に局所的な可塑性機構を用いて実行される。
バックプロパゲーションやサロゲート勾配を使わずに教師あり学習を可能にするために,我々は生物学的に動機づけられた学習フレームワークを導入する。
(i)人口ベースの入賞者全員(WTA)が出力層に信号を教える。
二 固定されたランダム放送アライメントフィードバック経路及び
3)3要素学習規則によりシナプス更新をゲートする低次元調節ニューロン群。
この設計は、疎グローバル通信と純粋に局所的なシナプス更新によるディープリカレント計算をサポートする。
提案手法のアルゴリズム特性,計算複雑性,ハードウェア実現可能性を分析し,ベンチマーク分類タスクにおける安定した学習と競争性能を示す。
その結果、構造化された再発とニューロ変調学習の可能性を強調し、グラデーションベースの手法を超えて、スケーラブルでハードウェア互換のSNNトレーニングを可能にする。
関連論文リスト
- Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception [51.28469959548178]
我々はKirchhoff-Inspired Neural Network (KINN)を提案する。
KINNは、基本的な常微分方程式から数値的に安定な状態更新を導き、より高階の進化成分の明示的な分離と符号化を可能にする。
論文 参考訳（メタデータ） (2026-03-25T06:17:31Z) - Cannistraci-Hebb Training on Ultra-Sparse Spiking Neural Networks [10.30800655748035]
スパイキングニューラルネットワーク(SNN)は本質的に時間的アクティベーション間隔を持つ。
既存の手法では、大きな性能損失を伴わずに超スパースネットワーク構造を達成できない。
本稿では,SNN のための新規かつ一般化可能な動的スパーストレーニングフレームワークである Cannistraci-Hebb Spiking Neural Network (CH-SNN) を提案する。
論文 参考訳（メタデータ） (2025-11-05T07:59:19Z) - Dynamical Learning in Deep Asymmetric Recurrent Neural Networks [1.3421746809394772]
非対称なディープリカレントニューラルネットワークは、指数関数的に大きく、密度の高い内部表現の多様体を生み出すことを示す。
本稿では,再帰的ダイナミクスからインプット・アウトプット・アソシエーションが自然に出現する分散学習手法を提案する。
論文 参考訳（メタデータ） (2025-09-05T12:05:09Z) - 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) - Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。
LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。
提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
論文 参考訳（メタデータ） (2023-08-23T10:48:28Z) - Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。
我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。
本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
論文 参考訳（メタデータ） (2023-07-04T05:19:19Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - An optimised deep spiking neural network architecture without gradients [7.183775638408429]
本稿では、局所シナプスおよびしきい値適応ルールを用いたエンドツーエンドのトレーニング可能なモジュラーイベント駆動ニューラルアーキテクチャを提案する。
このアーキテクチャは、既存のスパイキングニューラルネットワーク(SNN)アーキテクチャの高度に抽象化されたモデルを表している。
論文 参考訳（メタデータ） (2021-09-27T05:59:12Z) - Learning in Deep Neural Networks Using a Biologically Inspired Optimizer [5.144809478361604]
人工神経(ANN)とスパイクニューラルネット(SNN)にインスパイアされた新しい生物モデルを提案する。
GRAPESは、ニューラルネットワークの各ノードにおけるエラー信号の重量分布依存変調を実装している。
生物学的にインスパイアされたこのメカニズムは,ネットワークの収束率を体系的に改善し,ANNやSNNの分類精度を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2021-04-23T13:50:30Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z)
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。