Fugu-MT 論文翻訳(概要): Congestion-Aware Dynamic Axonal Delay for Spiking Neural Networks

論文の概要: Congestion-Aware Dynamic Axonal Delay for Spiking Neural Networks

arxiv url: http://arxiv.org/abs/2605.01291v2
Date: Thu, 07 May 2026 12:28:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-08 17:36:05.955888
Title: Congestion-Aware Dynamic Axonal Delay for Spiking Neural Networks
Title（参考訳）: スパイクニューラルネットワークのための混雑を考慮した動的軸索遅延
Authors: Dewei Bai, Hongxiang Peng, Yunyun Zeng, Ziyu Zhang, Hong Qu,
Abstract要約: スパイキングニューラルネットワーク(SNN)は、時間的およびイベント駆動の情報モデリングと処理のためのエネルギー効率のパラダイムとして広く見なされている。本稿では,時間的構造化のためのチャネル単位の静的ベース遅延に遅延を分解するCADAD機構を提案する。 Spiking Heidelbergデータセットを含む音声ベンチマークの実験では、シナプス信号伝達における混雑を考慮した遅延が時間的タスクの精度を効果的に向上することを示した。
参考スコア（独自算出の注目度）: 11.139375968984156
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spiking Neural Networks (SNNs) are widely regarded as an energy-efficient paradigm for modeling and processing temporal and event-driven information. Incorporating delays in SNNs has been proven to be an effective mechanism for improving spike alignment in event-driven tasks. However, existing delay learning approaches predominantly assign static delays to individual synapses, resulting in a large number of delay parameters and limited adaptability to input-dependent activity dynamics. To this end, we propose a Congestion-Aware Dynamic Axonal Delay (CADAD) mechanism, which decomposes the delay into a channel-wise static base delay for temporal structuring and a global, activity-conditioned shift that dynamically regulates the state update rate under varying spike intensities. The delay parameters are learned using differentiable linear interpolation and discretized at inference time, preserving the benefits of dynamic delay modulation while incurring only minimal additional cost. Experiments on speech benchmarks, including the Spiking Heidelberg Dataset, Spiking Speech Commands, and Google Speech Commands, demonstrate that introducing congestion-aware delays into synaptic signal transmission effectively improves accuracy on temporal tasks, notably achieving 93.75% accuracy on SHD, 80.69% accuracy on SSC, and 95.58% on GSC-35, while reducing the parameter count by approximately 50% compared to state-of-the-art delay-based methods with the same architecture.
Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、時間的およびイベント駆動の情報モデリングと処理のためのエネルギー効率のパラダイムとして広く見なされている。 SNNの遅延を組み込むことは、イベント駆動タスクにおけるスパイクアライメントを改善する効果的なメカニズムであることが証明されている。しかし、既存の遅延学習アプローチは、主に個々のシナプスに静的遅延を割り当て、結果として多くの遅延パラメータと入力依存のアクティビティダイナミクスへの適応性が制限される。そこで本研究では,時間的構造のためのチャネル単位の静的ベース遅延に遅延を分解するCADAD(Congestion-Aware Dynamic Axonal Delay)機構と,スパイク強度の異なる状態更新率を動的に制御するグローバルなアクティビティ条件シフトを提案する。遅延パラメータは、微分可能な線形補間を用いて学習され、推論時に離散化され、動的遅延変調の利点を保ちながら、最小の追加コストしか生じない。 Spiking Heidelberg Dataset(英語版)、Spking Speech Commands(英語版)、Google Speech Commands(英語版)などの音声ベンチマークの実験では、シナプス信号伝達に渋滞を意識した遅延を導入することは、特にSHDでは93.75%、SCでは80.69%、GSC-35では95.58%の精度を達成し、同じアーキテクチャの最先端の遅延ベースの手法と比較してパラメータ数を約50%削減することを示した。

関連論文リスト

Sparse Axonal and Dendritic Delays Enable Competitive SNNs for Keyword Classification [5.928605435529651]
スパイキングニューラルネットワーク(SNN)のトレーニング伝達遅延は、複雑な時間的タスクにおける性能を大幅に改善することが示されている。本研究では, 軸索的あるいは樹状的遅延の学習により, 既存のシナプス的遅延学習手法と同等の精度で, フィードフォワードSNNに到達できることを示す。
論文参考訳（メタデータ） (2026-02-10T12:57:02Z)
Three factor delay learning rules for spiking neural networks [0.42970700836450487]
シナプスおよび軸索遅延を導入し, リーク・アンド・ファイア(LIF)をベースとしたフィードフォワードとリカレントSNNを統合した。オンライン上で遅延パラメータを同時に学習するための3つの制約付き学習ルールを提案する。本研究は、デバイス上での学習を可能にし、メモリ要求を低くすることで、パワーと領域制約のあるニューロモルフィックプロセッサの設計に有効である。
論文参考訳（メタデータ） (2026-01-02T12:28:53Z)
TS-DP: Reinforcement Speculative Decoding For Temporal Adaptive Diffusion Policy Acceleration [64.32072516882947]
拡散ポリシーは、具体的制御が優れているが、高い推論遅延と計算コストに悩まされている。時間認識強化に基づく投機的拡散政策(TS-DP)を提案する。 TS-DPは94%以上のドラフトで最大4.17倍高速な推論を実現し、推論周波数は25Hzに達した。
論文参考訳（メタデータ） (2025-12-13T07:53:14Z)
Delays in Spiking Neural Networks: A State Space Model Approach [2.309307613420651]
スパイキングニューラルネットワーク(SNN)は、時間的データを処理するのに適した、生物学的にインスパイアされたイベント駆動モデルである。本稿では,SNNに遅延を組み込むための一般的なフレームワークを提案する。提案手法は,計算効率を保ちながら,既存の遅延ベースSNNの性能と一致していることを示す。
論文参考訳（メタデータ） (2025-12-01T17:26:21Z)
Efficient Synaptic Delay Implementation in Digital Event-Driven AI Accelerators [1.260842513389711]
本稿では,デジタルニューロモルフィックアクセラレータ上でのシナプス遅延をサポートするハードウェア構造であるShared Circular Delay Queue (SCDQ)を紹介する。分析とハードウェアの結果から、現在の一般的なアプローチよりもメモリのスケールが優れており、アルゴリズムとハードウェアの共最適化にはさらに耐え難いことが分かる。
論文参考訳（メタデータ） (2025-01-23T12:30:04Z)
DelGrad: Exact event-based gradients for training delays and weights on spiking neuromorphic hardware [1.5226147562426895]
スパイキングニューラルネットワーク(SNN)は本質的には情報表現と処理のための信号のタイミングに依存している。我々は,シナプス重みと遅延の両方について,正確な損失勾配を計算するイベントベース手法であるDelGradを提案する。ノイズの多い混合信号ハードウェア上でSNNに遅延を追加する際のメモリ効率と精度の利点を実験的に示す。
論文参考訳（メタデータ） (2024-04-30T00:02:34Z)
Data-Driven Room Acoustic Modeling Via Differentiable Feedback Delay Networks With Learnable Delay Lines [46.2770645198924]
フィードバック遅延ネットワーク(FDN)のパラメータを求める新しい手法を提案する。提案手法は、訓練可能な遅延線を持つ微分可能なFDNの実装を含む。提案手法は,所望の音響特性と密に一致できる時間不変周波数独立FDNが得られることを示す。
論文参考訳（メタデータ） (2024-03-29T10:48:32Z)
FastEmit: Low-latency Streaming ASR with Sequence-level Emission Regularization [78.46088089185156]
ストリーム自動音声認識(ASR)は、仮説化された単語を可能な限り迅速かつ正確に出力することを目的としている。既存のアプローチでは、シーケンストランスデューサモデルにおいて、トーケン単位またはフレーム単位の確率予測を演算することで、発光遅延をペナルティ化する。本稿では,訓練用トランスデューサモデルにおいて,シーケンス毎の確率に遅延正規化を直接適用する,FastEmitというシーケンスレベルのエミッション正規化手法を提案する。
論文参考訳（メタデータ） (2020-10-21T17:05:01Z)

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。