論文の概要: Federated Learning of Spiking Neural Networks under Heterogeneous Temporal Resolutions

• arxiv url: http://arxiv.org/abs/2605.15355v1
• Date: Thu, 14 May 2026 19:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.072265
• Title: Federated Learning of Spiking Neural Networks under Heterogeneous Temporal Resolutions
• Title（参考訳）: 不均一時間分解能下でのスパイクニューラルネットワークのフェデレート学習
• Authors: Sanja Karilanova, Subhrakanti Dey, Ayça Özçelikkale,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、神経細胞間の疎二分スパイクベースの通信を使用する生物学的にインスパイアされたエネルギー効率のモデルである。 時系列アプリケーションでは、エッジデバイスはハードウェアとエネルギーの制約により、異なる時間解像度でデータを収集することが多い。 この時間分解ミスマッチに対処するフェデレート学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.309307613420651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spiking neural networks (SNNs) are biologically inspired energy-efficient models that use sparse binary spike-based communication between neurons, making them attractive for resource-constrained edge devices. Federated learning enables such devices to train collaboratively without sharing raw data. In time-series applications, edge devices often collect data at different time resolutions due to hardware and energy constraints. This temporal heterogeneity poses a fundamental challenge for federated learning: parameters learned at one temporal resolution do not necessarily transfer directly to another, which might result in the naive federated averaging being ineffective. Targeting SNNs and, more broadly, deep networks with stateful neurons, we propose a federated learning framework that addresses this temporal resolution mismatch. We investigate how neuron parameters learned from data at different temporal resolutions and model aggregation should be integrated. We evaluate the proposed framework across two SNN-native benchmark datasets (SHD and DVS-Gesture) under a range of resolution heterogeneity scenarios. Our results show that the proposed adaptation methods can substantially recover accuracy lost due to temporal mismatch, hence enabling each client to train at their local temporal resolution while remaining compatible with the global model.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、神経細胞間のスパースバイナリスパイクベースの通信を使用する生物学的にインスパイアされたエネルギー効率のモデルであり、リソース制約されたエッジデバイスにとって魅力的である。 フェデレートされた学習は、生データを共有せずに、そのようなデバイスを協調的に訓練することを可能にする。 時系列アプリケーションでは、エッジデバイスはハードウェアとエネルギーの制約により、異なる時間解像度でデータを収集することが多い。 この時間的不均一性は、フェデレーション学習に根本的な課題を生じさせる: ある時間的解決で学習されたパラメータは、必ずしも他の時間的解決に直接移行するとは限らない。 SNNと、より広義には、ステートフルなニューロンを持つディープネットワークをターゲットに、この時間分解ミスマッチに対処するフェデレート学習フレームワークを提案する。 時間分解能の異なるデータから学習したニューロンパラメータとモデルアグリゲーションをどのように統合するかを検討する。 我々は,SNNネイティブベンチマークデータセット(SHDとDVS-Gesture)で提案したフレームワークを,様々な解像度の不均一性シナリオ下で評価した。 これらの結果から,提案手法は時間的ミスマッチによる精度の低下を著しく低減し,グローバルモデルとの互換性を維持しつつ,各クライアントが局所的時間的解像度でトレーニングすることが可能であることが示唆された。

関連論文リスト

• SpikingGamma: Surrogate-Gradient Free and Temporally Precise Online Training of Spiking Neural Networks with Smoothed Delays [1.5166105038254163]
  スパイキングニューラルネットワーク(SNN)は、スパースでイベント駆動の計算を通じて、エネルギー効率の高い低レイテンシAIを約束する。 しかし、微細な時間的離散化の下でのSNNのトレーニングは依然として大きな課題であり、低レイテンシ応答性とソフトウェアで訓練されたSNNの効率的なハードウェアへのマッピングを妨げている。 このSpykingGammaモデルでは,スロゲート勾配を使わずに直接エラーバックプロパゲーションをサポートし,オンライン的に最小のスパイクで微妙な時間パターンを学習し,複雑なタスクやベンチマークに競合精度でフィードフォワードSNNを拡張できることが示されている。
  論文  参考訳（メタデータ） (2026-02-02T11:35:16Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• TESS: A Scalable Temporally and Spatially Local Learning Rule for Spiking Neural Networks [6.805933498669221]
  リソース制約のあるデバイス上でのニューラルネットワーク(SNN)のトレーニングは、高い計算とメモリ要求のため、依然として困難である。 本稿では,SNNの学習のための時間的・空間的学習ルールであるTESSを紹介する。 本手法は,各ニューロン内の局所的な信号にのみ依存することにより,時間的および空間的クレジット割り当てに対処する。
  論文  参考訳（メタデータ） (2025-02-03T21:23:15Z)
• 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)
• Zero-Shot Temporal Resolution Domain Adaptation for Spiking Neural Networks [3.2366933261812076]
  スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたディープニューラルネットワークであり、時間的情報を効率的に抽出する。 SNNモデルパラメータは時間分解能に敏感であり、エッジでのターゲットデータの時間分解能が同じでない場合、大幅な性能低下を引き起こす。 本稿では,ニューロンパラメータを適応させる3つの新しい領域適応手法を提案する。
  論文  参考訳（メタデータ） (2024-11-07T14:58:51Z)
• 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)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。