論文の概要: NeuroTrain: Surveying Local Learning Rules for Spiking Neural Networks with an Open Benchmarking Framework

• arxiv url: http://arxiv.org/abs/2605.15058v1
• Date: Thu, 14 May 2026 16:50:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.960174
• Title: NeuroTrain: Surveying Local Learning Rules for Spiking Neural Networks with an Open Benchmarking Framework
• Title（参考訳）: NeuroTrain: オープンベンチマークフレームワークによるニューラルネットワークスパイクのためのローカル学習ルールの調査
• Authors: Alessio Caviglia, Filippo Marostica, Roberta Bardini, Alessandro Savino, Stefano Di Carlo,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、生物学的インスピレーション、計算構造、ハードウェア適合性など、広く異なるトレーニングアルゴリズムの普及につながっている。 本調査は,SNNトレーニングアルゴリズムの包括的分類,代理段階のバックプロパゲーション,局所的および3要素学習規則,生物学的にインスパイアされた可塑性機構,ANN-to-SNN変換パイプライン,非標準最適化戦略を網羅する。
• 参考スコア（独自算出の注目度）: 37.09823149373976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid expansion of spiking neural networks (SNNs) has led to a proliferation of training algorithms that differ widely in biological inspiration, computational structure, and hardware suitability. Despite this progress, the field lacks a unified, fine-grained taxonomy that systematically organizes these approaches and clarifies their conceptual relationships. This survey provides a comprehensive taxonomy of SNN training algorithms, spanning surrogate-gradient backpropagation, local and three-factor learning rules, biologically inspired plasticity mechanisms, ANN-to-SNN conversion pipelines, and non-standard optimization strategies. We analyze each class in terms of its computational principles, learning signals, and locality properties. To support reproducible research, we release NeuroTrain, an open-source snnTorch-based framework that implements a representative set of these algorithms within a unified, modular, and extendable framework, enabling consistent benchmarking across datasets, architectures, and training regimes. By consolidating fragmented literature and providing a reusable benchmarking framework, this survey identifies common patterns, highlights open challenges, and outlines promising directions for future work on scalable, efficient SNN training.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)の急速な拡張は、生物学的インスピレーション、計算構造、ハードウェア適合性に大きく異なるトレーニングアルゴリズムの拡散につながった。 この進歩にもかかわらず、この分野には、これらのアプローチを体系的に組織化し、それらの概念的関係を明らかにする、統一的できめ細かい分類法が欠けている。 本調査は,SNNトレーニングアルゴリズムの包括的分類,代理段階のバックプロパゲーション,局所的および3要素学習規則,生物学的にインスパイアされた可塑性機構,ANN-to-SNN変換パイプライン,非標準最適化戦略を網羅する。 計算原理,学習信号,局所性特性の観点から各クラスを解析する。 再現可能な研究をサポートするために、我々はNeuroTrainをリリースした。これはオープンソースのsnnTorchベースのフレームワークで、統一されたモジュラーで拡張可能なフレームワーク内で、これらのアルゴリズムの代表的なセットを実装し、データセット、アーキテクチャ、トレーニングシステマ間で一貫したベンチマークを可能にする。 断片化された文献の統合と再利用可能なベンチマークフレームワークを提供することで、この調査は共通のパターンを特定し、オープンな課題を強調し、スケーラブルで効率的なSNNトレーニングに向けた将来的な方向性を概説する。

関連論文リスト

• Globally Optimal Training of Spiking Neural Networks via Parameter Reconstruction [21.873941320853763]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワーク(ANN)に代わる生物学的に妥当でエネルギー効率のよい代替手段として提案されている。 本稿では,SNN学習におけるパラメータ再構成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-05-08T17:10:08Z)
• Scalable Learning in Structured Recurrent Spiking Neural Networks without Backpropagation [6.572000338549628]
  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。
  論文  参考訳（メタデータ） (2026-05-01T04:45:21Z)
• Continual Learning with Neuromorphic Computing: Foundations, Methods, and Emerging Applications [5.213243471774097]
  スパイキングニューラルネットワーク(SNN)の原理を活用したニューロモルフィック連続学習(NCL)が出現する。 本調査では,教師付き学習パラダイムと教師なし学習パラダイムを組み合わせたハイブリッドアプローチについて紹介する。 また、SNN操作の削減、重量量子化、知識蒸留といった最適化手法についても触れている。
  論文  参考訳（メタデータ） (2024-10-11T19:49:53Z)
• Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
  ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。 この論文は、この領域の研究に理論的および実践的な貢献を提供する。
  論文  参考訳（メタデータ） (2024-02-21T12:16:51Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• NeuroBench: A Framework for Benchmarking Neuromorphic Computing Algorithms and Systems [50.076028127394366]
  ニューロベンチ(NeuroBench)はニューロモルフィックコンピューティングアルゴリズムとシステムのためのベンチマークフレームワークである。 NeuroBenchは、業界や学界にまたがる研究者のオープンなコミュニティによる共同開発である。
  論文  参考訳（メタデータ） (2023-04-10T15:12:09Z)
• PC-SNN: Predictive Coding-based Local Hebbian Plasticity Learning in Spiking Neural Networks [9.026880521552153]
  Spiking Neural Networks (SNN) は、脳の情報処理を非並列な生物学的確率でエミュレートする。 そこで我々は,PC-SNNを提案する。PC-SNNは,予測符号化をSNNと統合し,生物学的に可塑性,局所的なヘビアン可塑性を実現する学習フレームワークである。
  論文  参考訳（メタデータ） (2022-11-24T09:56:02Z)
• A Comprehensive Survey on Distributed Training of Graph Neural Networks [59.785830738482474]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーション分野において強力なアルゴリズムモデルであることが示されている。 GNNトレーニングを大規模かつ継続的なグラフにスケールアップするために、最も有望なソリューションは分散トレーニングである。 分散GNNトレーニングに関する研究の規模は、非常に広範であり、出版のペースは極めて速い。
  論文  参考訳（メタデータ） (2022-11-10T06:22:12Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• 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)
• 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。