論文の概要: Neuromorphic Speech Enhancement with Dual-Branch Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2606.23761v1
• Date: Mon, 22 Jun 2026 10:28:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.59992
• Title: Neuromorphic Speech Enhancement with Dual-Branch Spiking Neural Networks
• Title（参考訳）: Dual-Branch Spiking Neural Networksを用いたニューロモルフィック音声強調
• Authors: Taiyu Meng, Wenbin Jiang, Haoyi Zhang, Yuhan Zhou, Haibing Yin,
• Abstract要約: スパイキングニューラルネットワーク(SNN)に基づくニューロモルフィック音声強調は、そのエネルギー効率のために有望なパラダイムとして浮上している。 ゲートユニット(GSU)を備えた新しいデュアルブランチニューラルネットワークアーキテクチャを提案する。 GSU-DBNetは音声スペクトルの大きさと複雑なスペクトルを同時にモデル化し、対応する大きさと複雑なスペクトルマスクを予測する。
• 参考スコア（独自算出の注目度）: 9.280258985196356
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Spiking neural network (SNN)-based neuromorphic speech enhancement has emerged as a promising paradigm due to its energy efficiency, yet it still underperforms classical artificial neural network (ANN)-based approaches owing to binary activations and the lack of well-designed network architectures. To overcome this limitation, we propose a novel dual-branch spiking neural network architecture equipped with a gated spiking unit (GSU), termed GSU-DBNet. Specifically, GSU-DBNet simultaneously models the speech magnitude spectrum and complex spectrum, predicting the corresponding magnitude and complex spectral masks. Meanwhile, a dual-path GSU module is adopted to exploit temporal and frequency information for enhanced spatiotemporal feature representation. Experiments on a popular benchmark dataset show that GSU-DBNet achieves a PESQ score of 3.04 with only 394K parameters, outperforming existing SNN-based methods while using only 4.5%--10.6% of the parameters of representative ANN-based models.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)ベースのニューロモーフィック音声強調は、そのエネルギー効率のために有望なパラダイムとして登場したが、バイナリアクティベーションとよく設計されたネットワークアーキテクチャの欠如による古典的人工知能ニューラルネットワーク(ANN)ベースのアプローチは、いまだに過小評価されている。 この制限を克服するために、ゲートスパイクユニット(GSU)を備えた新しいデュアルブランチスパイクニューラルネットワークアーキテクチャGSU-DBNetを提案する。 特に、GSU-DBNetは、音声の等級スペクトルと複素スペクトルを同時にモデル化し、対応する等級と複素スペクトルマスクを予測する。 一方、時空間情報と周波数情報を利用して時空間特徴表現を強化するために、デュアルパスGSUモジュールが採用されている。 人気のあるベンチマークデータセットの実験によると、GAS-DBNetは394KパラメータのPSSQスコアを3.04で達成し、既存のSNNベースの手法よりも優れており、ANNベースのモデルのパラメータの4.5%から10.6%しか使用していない。

関連論文リスト

• DBHN-Net: Dual-Branch Hybrid Neural Network For Low-Complexity Monaural Speech Enhancement [64.23650268245822]
  本研究では,DualBranch Hybrid Neural (DBHN) ネットワークを提案する。 ANNとSNNを統合したデュアルブランチネットワークが設計され、SNNブランチは情報損失に対処する一方、SNNブランチは消費電力を減らす。 その結果,提案モデルは3つの公開データセットにまたがって優れた性能を維持しつつ,計算複雑性を平均1倍の低減を実現していることがわかった。
  論文  参考訳（メタデータ） (2026-06-04T09:16:26Z)
• Dual-Qubit Hierarchical Fuzzy Neural Network for Image Classification: Enabling Relational Learning via Quantum Entanglement [27.317371900372127]
  本稿では,2量子階層型ファジィニューラルネットワーク(DQ-HFNN)を提案する。 一対の絡み合った量子ビットに特徴対をエンコードし、単一のファジィモデルをジョイントファジィ表現に拡張する。 ノイズのある条件下での実験では、ノイズに対して堅牢であり、ノイズの多い中間スケールの量子デバイスに実装される可能性があることが示唆されている。
  論文  参考訳（メタデータ） (2025-12-15T12:35:53Z)
• All in one timestep: Enhancing Sparsity and Energy efficiency in Multi-level Spiking Neural Networks [0.0]
  スパイキングニューラルネットワーク(SNN)は、最も有望なバイオインスパイアされたニューラルネットワークモデルの一つである。 瞬時スパイクのバイナリの性質は、SNNにかなりの情報損失をもたらし、精度が低下する。 本稿では,低量子化誤差と最小推論遅延を両立できるマルチレベルスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2025-10-28T17:03:33Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Dynamic Gated Recurrent Neural Network for Compute-efficient Speech Enhancement [17.702946837323026]
  本稿では,資源制約のあるプラットフォーム上で動作する計算効率の高い音声強調モデルのための動的Gated Recurrent Neural Network (DG-RNN) を提案する。 DG-RNNの実現として,追加パラメータを必要としない動的Gated Recurrent Unit (D-GRU)を提案する。 DNSチャレンジデータセットを用いて、最先端の計算効率の高いRNNベースの音声強調アーキテクチャから得られたテスト結果は、D-GRUベースのモデルが、ベースラインのGRUベースのモデルに匹敵する類似の音声インテリジェンスと品質指標を維持していることを示す。
  論文  参考訳（メタデータ） (2024-08-22T14:20:11Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
  TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。 DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。 300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-07-17T08:32:11Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。