論文の概要: Benchmarking Fairness in Spiking Neural Networks: Data Bias, Spurious Features, and Hardware Effects

• arxiv url: http://arxiv.org/abs/2605.27407v1
• Date: Fri, 08 May 2026 02:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:43.018171
• Title: Benchmarking Fairness in Spiking Neural Networks: Data Bias, Spurious Features, and Hardware Effects
• Title（参考訳）: スパイクニューラルネットワークにおけるベンチマークフェアネス:データバイアス、純粋特徴、ハードウェア効果
• Authors: Hudi He, Fukun Wang, Zhe Wang, Xinyi Wang, Shuhan Ye, Jiarui Liu, Qing Qing, Ziqi Xu, Xikun Zhang, Renqiang Luo,
• Abstract要約: この研究は、スパイキングニューラルネットワーク(SNN)のための最初の体系的公正性ベンチマークを導入する。 12の最先端SNNの標準化された評価は、スターク格差を明らかにしている。 アルゴリズムフェアネス研究をニューロモルフィックエンジニアリングでブリッジすることで、我々のベンチマークは信頼できるSNNの基礎を提供する。
• 参考スコア（独自算出の注目度）: 11.357028414303842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating fairness in Spiking Neural Networks (SNNs) demands rigorous benchmarks that reflect real-world complexities, yet existing assessments remain limited by superficial dataset diversity and idealized hardware assumptions. This work introduces the first systematic fairness benchmark for SNNs, addressing three critical dimensions of realism: (1) demographic coverage gaps in training data, (2) spurious feature leakage (e.g., skin tone as a proxy for class labels), and (3) deployment-environment mismatches (e.g., edge devices with constrained spike encoding). Our framework integrates four cross-demographic datasets with controlled bias injections and three neuromorphic hardware simulators (Loihi 2, SpiNNaker), enabling isolated analysis of fairness-performance trade-offs under resource constraints. Standardized evaluations of 12 state-of-the-art SNNs reveal stark disparities: models trained on biased data exhibit 23\% higher false positive rates for underrepresented groups, while hardware limitations (e.g., reduced spike precision) further amplify accuracy gaps by up to 41\% in edge deployments. Critically, bias mitigation strategies developed for cloud-based SNNs often degrade under resource constraints, highlighting the need for co-design principles that jointly optimize fairness and hardware efficiency. By bridging algorithmic fairness research with neuromorphic engineering, our benchmark provides a foundation for trustworthy SNNs in socially critical applications such as healthcare and autonomous systems. Our code is available at: https://anonymous.4open.science/r/SNN-Benchmarks-8017.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)の公正性を評価するには、現実の複雑さを反映した厳密なベンチマークが必要であるが、既存の評価は表層データセットの多様性と理想的なハードウェア仮定によって制限されている。 本研究は,SNNにおける最初の体系的公正度ベンチマークを導入し,(1)訓練データにおける人口被覆ギャップ,(2)スプリットな特徴漏洩(例えば,クラスラベルのプロキシとしてのスキントーン),(3)配置環境ミスマッチ(例えば,制限されたスパイクエンコーディングを備えたエッジデバイス)の3つの重要な領域に対処する。 本フレームワークは,4つのクロスデデノグラフデータセットと制御バイアス注入,および3つのニューロモルフィックハードウェアシミュレータ(Loihi 2, SpiNNaker)を統合し,資源制約下でのフェアネス・パフォーマンストレードオフの分離分析を可能にする。 12の最先端SNNの標準化された評価では、バイアスデータに基づいてトレーニングされたモデルでは、未表現のグループに対して23倍の偽陽性率を示す一方、ハードウェアの制限(例えば、スパイク精度の低減)により、エッジデプロイメントの精度ギャップを最大41倍に拡大する。 批判的に言えば、クラウドベースのSNN用に開発されたバイアス軽減戦略は、しばしばリソース制約の下で劣化し、公正性とハードウェア効率を共同で最適化する設計原則の必要性を強調している。 アルゴリズムフェアネス研究をニューロモルフィックエンジニアリングでブリッジすることで、我々のベンチマークは、医療や自律システムといった社会的に重要なアプリケーションにおいて、信頼できるSNNの基礎を提供する。 私たちのコードは、https://anonymous.4open.science/r/SNN-Benchmarks-8017で利用可能です。

関連論文リスト

• Model-Agnostic Fairness Regularization for GNNs with Incomplete Sensitive Information [11.900835813533135]
  グラフニューラルネットワーク(GNN)は、ノード分類やリンク予測を含む関係学習タスクにおいて、例外的な効果を示した。 GNNは、人種や性別などのセンシティブな属性によって定義された保護されたグループに対して、社会的バイアスを永続し、増幅することができる。 感性属性が部分的にしか利用できない現実的なシナリオのために設計された,新しいモデルに依存しないフェアネス正規化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T15:36:16Z)
• S$^2$NN: Sub-bit Spiking Neural Networks [53.08060832135342]
  スパイキングニューラルネットワーク(SNN)は、マシンインテリジェンスにエネルギー効率のよいパラダイムを提供する。 最近のバイナリSNNの進歩にもかかわらず、大規模ネットワークではストレージと計算の要求が相当に大きい。 1ビット未満の重みを表すサブビットスパイキングニューラルネットワーク(S$2$NNs)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T04:17:44Z)
• Exploiting Label Skewness for Spiking Neural Networks in Federated Learning [19.97002315960335]
  FedLECは、ローカルラベル間の学習強度と、ローカルSNNモデルのバイアスを軽減するために、クライアント間知識蒸留のバランスをとるために、クライアント内ラベル量校正を取り入れている。 8つの最先端FLアルゴリズムと比較して、FedLECはグローバルSNNモデルの平均精度を約11.59%向上させる。
  論文  参考訳（メタデータ） (2024-12-23T05:52:32Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• MAPPING: Debiasing Graph Neural Networks for Fair Node Classification with Limited Sensitive Information Leakage [1.5438758943381854]
  公正ノード分類のためのモデルに依存しない新しい脱バイアスフレームワーク MAPPing を提案する。 以上の結果から,MAPPingは実用性と公正性,および機密情報漏洩のプライバシーリスクとのトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2024-01-23T14:59:46Z)
• S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural Networks via Guided Distribution Calibration [74.5509794733707]
  本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。 提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。 提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
  論文  参考訳（メタデータ） (2021-02-17T18:59:28Z)
• FATNN: Fast and Accurate Ternary Neural Networks [89.07796377047619]
  Ternary Neural Networks (TNN) は、完全な精度のニューラルネットワークよりもはるかに高速で、電力効率が高いため、多くの注目を集めている。 そこで本研究では、3次内積の計算複雑性を2。 性能ギャップを軽減するために,実装に依存した3次量子化アルゴリズムを精巧に設計する。
  論文  参考訳（メタデータ） (2020-08-12T04:26:18Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。