論文の概要: Convolutional Sparse Coding via the Locally Competitive Algorithm on Loihi 2

• arxiv url: http://arxiv.org/abs/2606.08584v1
• Date: Sun, 07 Jun 2026 11:44:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.278609
• Title: Convolutional Sparse Coding via the Locally Competitive Algorithm on Loihi 2
• Title（参考訳）: Loihi 2上の局所競合アルゴリズムによる畳み込みスパース符号化
• Authors: Geoffrey Kasenbacher, Daniel Ruepp, Gerrit A. Ecke,
• Abstract要約: 局所競合アルゴリズム(LCA)による畳み込みスパース符号化のLoihi 2の実装を提案する。 私たちの知る限りでは、Loihi 2.0上での畳み込みLCAの実装とベンチマークはこれが初めてです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse coding provides a principled framework for signal representation by expressing an input as a linear combination of only a small number of basis functions. The Locally Competitive Algorithm (LCA) is particularly attractive in the context of neuromorphic computing because its dynamics, leaky integration, thresholding, and lateral inhibition map naturally to neuromorphic hardware. While prior work has studied non-convolutional LCA on Loihi 2, the convolutional setting is of particular interest because it introduces spatial structure, weight sharing, overlapping receptive fields, and scaling behavior that are more representative of practical sparse inference workloads. In this work, we present a Loihi 2 implementation of convolutional sparse coding via the LCA and evaluate it against a conventional GPU baseline on the same inference problems. The implementation follows a one-layer recurrent LCA formulation and extends it to convolutional feature maps with local inhibitory kernels derived from pairwise filter interactions. To the best of our knowledge, this is the first implementation and benchmark of convolutional LCA on Loihi 2. Our goal is not only to demonstrate feasibility, but also to clarify in which operating regimes convolutional sparse inference becomes attractive on neuromorphic hardware. The resulting study positions convolutional LCA as a useful benchmark for structured sparse inference on emerging neuromorphic systems.
• Abstract（参考訳）: スパース符号化は、入力を少数の基底関数の線形結合として表現することで、信号表現のための原則化されたフレームワークを提供する。 局所競合アルゴリズム(LCA)は、ニューロモルフィック・コンピューティングの文脈において特に魅力的である。 以前の研究では、Loihi 2上の非畳み込みLCAを研究していたが、この畳み込み設定は、空間構造、重み付け、重なり合う受容場、そしてより実用的なスパース推論ワークロードに代表されるスケーリングの振る舞いを導入しているため、特に興味深い。 本稿では, LCAによる畳み込みスパース符号化のLoihi 2実装を提案し, 同じ推論問題に基づく従来のGPUベースラインに対して評価する。 この実装は、一層繰り返しLCAの定式化に従い、ペアワイズフィルタ相互作用から派生した局所阻止カーネルを持つ畳み込み特徴写像に拡張する。 私たちの知る限りでは、Loihi 2.0上での畳み込みLCAの実装とベンチマークはこれが初めてです。 我々のゴールは、実現可能性を示すことだけでなく、神経形ハードウェアにおいて、どのオペレーショナル・システマティックス・スパース推論が魅力的なのかを明らかにすることである。 その結果、畳み込み型LCAは、新しいニューロモルフィック系における構造的スパース推論の有用なベンチマークとして位置づけられた。

関連論文リスト

• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• Neural Operators with Localized Integral and Differential Kernels [77.76991758980003]
  本稿では,2つのフレームワークで局所的な特徴をキャプチャできる演算子学習の原理的アプローチを提案する。 我々はCNNのカーネル値の適切なスケーリングの下で微分演算子を得ることを示す。 局所積分演算子を得るには、離散連続的畳み込みに基づくカーネルの適切な基底表現を利用する。
  論文  参考訳（メタデータ） (2024-02-26T18:59:31Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Learning with convolution and pooling operations in kernel methods [8.528384027684192]
  近年の実証研究により、階層的畳み込みカーネルは、画像分類タスクにおけるカーネルメソッドの性能を向上させることが示されている。 畳み込みアーキテクチャにおける近似と一般化の正確な相互作用について検討する。 この結果から,対象関数に適応したアーキテクチャの選択が,サンプルの複雑性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-11-16T09:00:44Z)
• X-volution: On the unification of convolution and self-attention [52.80459687846842]
  本稿では,畳み込み操作と自己注意操作の両方からなるマルチブランチ基本モジュールを提案する。 提案したX-進化は、非常に競争力のある視覚的理解の改善を実現する。
  論文  参考訳（メタデータ） (2021-06-04T04:32:02Z)

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。