論文の概要: Comparative Analysis of Liquid Neural Networks and LSTM for Sequential Pattern Recognition: Robustness, Efficiency, and Clinical Utility

• arxiv url: http://arxiv.org/abs/2605.27467v1
• Date: Tue, 26 May 2026 08:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.300458
• Title: Comparative Analysis of Liquid Neural Networks and LSTM for Sequential Pattern Recognition: Robustness, Efficiency, and Clinical Utility
• Title（参考訳）: 逐次パターン認識のための液体ニューラルネットワークとLSTMの比較分析:ロバスト性,効率,臨床的有用性
• Authors: Ye Kyaw Thu, Thazin Myint Oo, Thepchai Supnithi,
• Abstract要約: LNN(Liquid Neural Networks)は、ネイティブの時間領域において、優れたパラメータ効率とはるかに高いロバスト性を提供する。 この拡張プレプリントは、関連するデータセットとLNN理論の系統に関する追加のバックグラウンドを提供する。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) units operate on discrete time steps, often failing to capture the fluid temporal dynamics of real-world physical processes. Liquid Neural Networks (LNNs), specifically Closed-form Continuous-time (CfC) networks, address this by modeling the hidden state evolution as a continuous differential equation. In this paper, we conduct a comprehensive benchmarking study across four distinct sequential modalities: neuromorphic event-based data (N-MNIST), stroke-based drawing (QuickDraw), visual handwriting (IAM), and physiological time-series (PhysioNet Sepsis-3). Furthermore, we perform a rigorous stress test using temporal dropout to evaluate model robustness against missing data. Our findings reveal that LNNs consistently provide superior parameter efficiency and significantly higher robustness in natively temporal domains and clinical environments where data sparsity is prevalent. This extended preprint provides additional background on related datasets and the LNN theoretical lineage, supplemented with a detailed appendix documenting our full implementation and experimental settings.
• Abstract（参考訳）: 従来のリカレントニューラルネットワーク(RNN)とLong Short-Term Memory(LSTM)ユニットは離散的な時間ステップで動作し、現実の物理プロセスの流体時間ダイナミクスを捉えることができないことが多い。 液体ニューラルネットワーク(LNN)、特に閉形式連続時間(CfC)ネットワークは、隠れ状態の進化を連続微分方程式としてモデル化することによってこの問題に対処する。 本稿では、ニューロモルフィックイベントベースデータ(N-MNIST)、ストロークベースの描画(QuickDraw)、視覚手書き(IAM)、生理的時系列(PhysioNet Sepsis-3)の4つの異なる逐次モーダルの総合的なベンチマーク研究を行う。 さらに、時間差を用いた厳密なストレステストを行い、欠落データに対するモデルロバスト性を評価する。 以上の結果から,LNNのパラメータ効率は良好であり,時間的領域やデータの分散が顕著な臨床環境において,極めて高いロバスト性を示すことが明らかとなった。 この拡張プレプリントは、関連するデータセットとLNN理論の系統に関する追加のバックグラウンドを提供する。

関連論文リスト

• Task-Aware Tuning of Time Constants in Spiking Neural Networks for Multimodal Classification [0.28272661103123253]
  スパイキングニューラルネットワーク(SNN)は、ウェアラブルセンシングや時系列分析といった分野において、低消費電力エッジコンピューティングの候補として期待されている。 重要なニューロンパラメータである漏れ時間定数(LTC)は、Leaky Integrateand-Fireニューロンにおける情報の時間的統合を制御している。 本研究では,静的画像,動的画像,生体信号時系列分類に応用した時間適応フィードフォワードSNNにおけるLCCの役割について検討した。
  論文  参考訳（メタデータ） (2025-08-23T12:18:39Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• TS-LIF: A Temporal Segment Spiking Neuron Network for Time Series Forecasting [27.91825785119938]
  Spiking Neural Networks(SNN)は、時系列予測のためのデータ処理に、有望で生物学的にインスパイアされたアプローチを提供する。 本稿では,デュアルコンパートメントアーキテクチャを特徴とするテンポラルリーキーセグメント統合とファイアモデルを提案する。 実験の結果,TS-LIFは時系列予測において従来のSNNよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-07T03:06:21Z)
• Dense ReLU Neural Networks for Temporal-spatial Model [13.8173644075917]
  非パラメトリック推定にRectified Linear Unit (ReLU) アクティベーション機能を利用する完全接続深層ニューラルネットワークに着目する。 我々は、観測された測定における時間的および空間的依存に対処するため、収束率につながる非漸近境界を導出する。 我々はまた、多様体上のデータをモデル化し、高次元データの本質的な次元性を探求することで、次元性の呪いに取り組む。
  論文  参考訳（メタデータ） (2024-11-15T05:30:36Z)
• Towards Low-latency Event-based Visual Recognition with Hybrid Step-wise Distillation Spiking Neural Networks [50.32980443749865]
  スパイキングニューラルネットワーク(SNN)は、低消費電力と高い生物性のために大きな注目を集めている。 現在のSNNは、ニューロモルフィックデータセットの正確性とレイテンシのバランスをとるのに苦労している。 ニューロモルフィックデータセットに適したステップワイド蒸留法(HSD)を提案する。
  論文  参考訳（メタデータ） (2024-09-19T06:52:34Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)

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。