論文の概要: Winfree Oscillatory Neural Network

• arxiv url: http://arxiv.org/abs/2605.20922v1
• Date: Wed, 20 May 2026 09:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.589257
• Title: Winfree Oscillatory Neural Network
• Title（参考訳）: ウィンフリー振動ニューラルネット
• Authors: Jiawen Dai, Yue Song,
• Abstract要約: Winfreey Neural Network (WONN) は、一般化されたWinfree Dynamicsに基づく動的ニューラルネットワークである。 CIFAR, ImageNet, Maze-hard, Sudoku などの画像認識および複雑な推論タスクについて WONN の評価を行った。 WONNは、強力なパラメータ効率で、競争力または優れた性能を達成する。
• 参考スコア（独自算出の注目度）: 22.014571549432006
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Oscillations and synchronization are widely believed to play a fundamental role in representation and computation. However, existing machine learning approaches based on synchronization dynamics have largely been confined to specialized settings such as object discovery, with limited evidence of scalability to standard vision benchmarks or logic reasoning tasks. We propose the Winfree Oscillatory Neural Network (WONN), a dynamical neural architecture based on generalized Winfree dynamics. WONN evolves representations on the torus $(S^1)^d$ through structured oscillatory interactions, combining phase-based inductive biases with flexible and hierarchical interaction mechanisms instantiated as either fixed trigonometric mappings or learnable neural networks. We evaluate WONN on image recognition and complex reasoning tasks, including CIFAR, ImageNet, Maze-hard, and Sudoku. Across these domains, WONN achieves competitive or superior performance with strong parameter efficiency. In particular, WONN is, to our knowledge, the first synchronization-based oscillatory architecture to scale competitively to ImageNet-1K. Furthermore, on Maze-hard, WONN achieves 80.1% accuracy using only 1% of the parameters of prior state-of-the-art models. These results suggest that structured oscillatory dynamics provide a scalable and parameter-efficient alternative to conventional neural architectures.
• Abstract（参考訳）: 振動と同期は表現と計算の基本的な役割を担っていると広く信じられている。 しかし、同期力学に基づく既存の機械学習アプローチは、オブジェクト発見のような特別な設定に限られており、標準的なビジョンベンチマークや論理推論タスクへのスケーラビリティの証拠は限られている。 我々は,Winfree Oscillatory Neural Network (WONN)を提案する。 WONNは、構造的振動相互作用を通じてトーラス $(S^1)^d$ 上の表現を進化させ、位相ベースの誘導バイアスと柔軟で階層的な相互作用機構を組み合わせて、固定三角写像または学習可能なニューラルネットワークとしてインスタンス化する。 CIFAR, ImageNet, Maze-hard, Sudoku などの画像認識および複雑な推論タスクについて WONN の評価を行った。 これらの領域全体で、WONNは強力なパラメータ効率で競争力または優れた性能を達成する。 特にWONNは、私たちの知る限り、ImageNet-1Kと競合する最初の同期ベースの発振アーキテクチャである。 さらに、Maze-hardでは、WONNは従来の最先端モデルのパラメータの1%しか使用せず、80.1%の精度を実現している。 これらの結果は、構造化振動力学が従来のニューラルアーキテクチャに代わるスケーラブルでパラメータ効率のよい代替となることを示唆している。

関連論文リスト

• CogniSNN: Enabling Neuron-Expandability, Pathway-Reusability, and Dynamic-Configurability with Random Graph Architectures in Spiking Neural Networks [13.913208605378854]
  スパイキングニューラルネットワーク(SNN)は、人工知能と計算神経科学のギャップを埋めることが期待されている。 我々はランダムグラフアーキテクチャ(RGA)を取り入れた新しいSNNパラダイムであるCognition-aware SNN(Cognition-aware SNN)を導入する。
  論文  参考訳（メタデータ） (2025-12-12T17:36:31Z)
• Continuous Simplicial Neural Networks [14.60720265850122]
  連続単純ニューラルネットワーク(COSIMO)を導入する。 COSIMOは、単純錯体上の偏微分方程式(PDE)から派生した新しいSNNアーキテクチャである。 複雑でノイズの多い環境下では,COSIMOは最先端のSNNと比較して競争性能が高いことを示す。
  論文  参考訳（メタデータ） (2025-03-17T08:31:25Z)
• Fourier Multi-Component and Multi-Layer Neural Networks: Unlocking High-Frequency Potential [9.699640804685629]
  本稿では,FMMNN(Fourier Multi-Component and Multi-Layer Neural Network)を紹介する。 我々は、FMMNNが高周波成分のモデリングに非常に効果的で柔軟なことを実証した。 また、FMMNNの最適化状況を分析し、標準の完全連結ニューラルネットワークよりもずっと好都合であることを示した。
  論文  参考訳（メタデータ） (2025-02-26T09:12:52Z)
• SpikeAtConv: An Integrated Spiking-Convolutional Attention Architecture for Energy-Efficient Neuromorphic Vision Processing [11.687193535939798]
  スパイキングニューラルネットワーク(SNN)は、従来の人工ニューラルネットワークに代わる生物学的にインスパイアされた代替手段を提供する。 SNNは、画像分類などの複雑な視覚的タスクにおいて、まだ競争力のある性能を達成できていない。 本研究では,有効性とタスク精度の向上を目的とした新しいSNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-26T13:57:38Z)
• Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Evolving Connectivity for Recurrent Spiking Neural Networks [8.80300633999542]
  リカレントニューラルネットワーク(RSNN)は、人工知能の進歩に大きな可能性を秘めている。 本稿では、RSNNをトレーニングするための推論のみの手法である、進化的接続性(EC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-28T07:08:25Z)
• 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)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• 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。