Fugu-MT 論文翻訳(概要): Burst Spiking Neural Networks

論文の概要: Burst Spiking Neural Networks

arxiv url: http://arxiv.org/abs/2607.11914v1
Date: Sun, 05 Jul 2026 09:27:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-15 17:08:29.878256
Title: Burst Spiking Neural Networks
Title（参考訳）: バーストスパイクニューラルネットワーク
Abstract要約: スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)の低消費電力代替を目指す既存のSNNメソッドは堅牢性を損なう。本稿では,Burst-enhanced Spiking Neurons (BSN) と Dynamic Weight Constraint (DWC) を用いたBurst Spiking Neural Networks (BuSNN) を提案する。
参考スコア（独自算出の注目度）: 48.73525332410879
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A central goal of current Spiking Neural Network (SNN) research is to improve their accuracy toward becoming low-power alternatives to Artificial Neural Networks (ANNs). This work further argues that realizing this ambition requires improving not only accuracy but also robustness, defined as the ability to maintain correct predictions under input perturbations. We identify two key issues in existing SNN methods that undermine robustness. First, binary spiking activations can produce large activation-state changes under small perturbations. Second, the lack of effective weight constraints makes network outputs more sensitive to input variations. To this end, we propose Burst Spiking Neural Networks (BuSNNs), built upon Burst-enhanced Spiking Neurons (BSNs) and a Dynamic Weight Constraint (DWC) mechanism. BSNs incorporate burst firing to provide a graded spiking pattern. This spiking mechanism mitigates perturbation-induced transitions in activation states and thereby enhances robustness. DWC penalizes connection weights based on activation states, effectively reducing weight magnitudes and improving robustness while preserving accuracy. We provide theoretical analyses to support these robustness effects. Experimental results further show that, on smaller-scale benchmarks such as CIFAR-10, BuSNNs outperform both SNN and ANN counterparts in accuracy and robustness. On large-scale ImageNet, BuSNN with the MS ResNet-34 backbone further improves top-1 accuracy and corruption robustness over the corresponding SNN baseline by 3.18% and 2.66%, respectively. Despite using spike-based activations, BuSNNs surpass 4-bit activation-quantized ANN baselines and approach 8-bit ANN baselines on ImageNet. They also preserve SNNs' low-power advantage. This work studies the accuracy-robustness problem in SNNs, advancing their practical viability in robust and energy-efficient applications.
Abstract（参考訳）: 現在のスパイキングニューラルネットワーク(SNN)研究の中心的な目標は、ニューラルネットワーク(ANN)の低消費電力代替品になるための精度を改善することである。この研究はさらに、この野心を実現するには正確性だけでなく頑健性も必要であり、入力摂動の下で正確な予測を維持する能力として定義されている。既存のSNN手法において、ロバスト性を損なう2つの重要な問題を特定する。まず、二分スパイク活性化は小さな摂動の下で大きな活性化状態変化を引き起こす。第二に、効果的な重み制約の欠如により、入力の変動に対してネットワーク出力がより敏感になる。この目的のために,Burst-enhanced Spiking Neurons (BSN) と Dynamic Weight Constraint (DWC) を用いたBurst Spiking Neural Networks (BuSNN) を提案する。 BSNはバースト発火を取り入れ、グレードされたスパイクパターンを提供する。このスパイキング機構は、活性化状態における摂動誘起遷移を緩和し、ロバスト性を高める。 DWCは、アクティベーション状態に基づいて接続重みをペナリゼーションし、効果的に重みを減らし、精度を保ちながら堅牢性を向上させる。これらのロバスト性効果を支持する理論解析を提供する。 CIFAR-10のような小型のベンチマークでは、BuSNNはSNNとANNのどちらよりも精度と堅牢性が高い。大規模なImageNetでは、MS ResNet-34のバックボーンを持つBuSNNは、対応するSNNベースライン上でそれぞれ3.18%と2.66%の精度とロバスト性を改善する。スパイクベースのアクティベーションを使用するにもかかわらず、BuSNNは4ビットのアクティベーション量子化されたANNベースラインを超え、ImageNet上の8ビットのANNベースラインに近づいた。また、SNNの低消費電力の優位性も維持している。本研究は,SNNの高精度ロバスト性問題について検討し,ロバストかつエネルギー効率の高い応用における実用可能性を向上させる。

関連論文リスト

Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックコンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
論文参考訳（メタデータ） (2026-08-14T04:46:03Z)
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)
CaRe-BN: Precise Moving Statistics for Stabilizing Spiking Neural Networks in Reinforcement Learning [50.87795054453648]
Spiking Neural Networks (SNN)は、ニューロモルフィックハードウェア上で低レイテンシでエネルギー効率の意思決定を提供する。スパイクの離散的かつ微分不可能な性質のため、直接訓練されたSNNは勾配更新を安定させるためにバッチ正規化(BN)に大きく依存する。オンライン強化学習(RL)では、BN統計は搾取を妨げ、収束と準最適政策を遅くする。
論文参考訳（メタデータ） (2025-09-28T10:21:17Z)
Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上で低レイテンシかつエネルギー効率の意思決定を提供する。連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-30T03:08:03Z)
Converting High-Performance and Low-Latency SNNs through Explicit Modelling of Residual Error in ANNs [27.46147049872907]
スパイキングニューラルネットワーク(SNN)は、そのエネルギー効率とニューロモルフィックチップの優れた効果のために関心を集めている。ディープSNNの実装における主要なアプローチの1つは、ANN-SNN変換である。本稿では,残差を付加雑音として明示的にモデル化した新しい手法を提案する。
論文参考訳（メタデータ） (2024-04-26T14:50:46Z)
Harnessing Neuron Stability to Improve DNN Verification [42.65507402735545]
我々は最近提案されたDPLLベースの制約DNN検証手法の拡張であるVeriStableを提案する。完全接続型フィードネットワーク(FNN)、畳み込み型ニューラルネットワーク(CNN)、残留型ネットワーク(ResNet)など、さまざまな課題のあるベンチマークにおいてVeriStableの有効性を評価する。予備的な結果は、VeriStableは、VNN-COMPの第1および第2のパフォーマーである$alpha$-$beta$-CROWNやMN-BaBなど、最先端の検証ツールよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-19T23:48:04Z)
Inherent Redundancy in Spiking Neural Networks [24.114844269113746]
スパイキングネットワーク(SNN)は、従来の人工ニューラルネットワークに代わる有望なエネルギー効率の代替手段である。本研究では,SNNにおける固有冗長性に関する3つの重要な疑問に焦点をあてる。本稿では,SNNの冗長性を活用するためのアドバンストアテンション(ASA)モジュールを提案する。
論文参考訳（メタデータ） (2023-08-16T08:58:25Z)
Attention Spiking Neural Networks [32.591900260554326]
スパイキングニューラルネットワーク(SNN)における注意機構の効果について検討する。エンド・ツー・エンドのトレーニングを施した新しいSNNアーキテクチャ"MA-SNN"を提案する。イベントベースDVS128ジェスチャー/歩行動作認識とImageNet-1k画像分類で実験を行った。
論文参考訳（メタデータ） (2022-09-28T09:00:45Z)
Spatial-Temporal-Fusion BNN: Variational Bayesian Feature Layer [77.78479877473899]
我々は,BNNを大規模モデルに効率的にスケールするための時空間BNNを設計する。バニラBNNと比較して,本手法はトレーニング時間とパラメータ数を著しく削減し,BNNのスケールアップに有効である。
論文参考訳（メタデータ） (2021-12-12T17:13:14Z)
Pruning of Deep Spiking Neural Networks through Gradient Rewiring [41.64961999525415]
スパイキングニューラルネットワーク(SNN)は、その生物学的妥当性とニューロモルフィックチップの高エネルギー効率により、非常に重要視されている。ほとんどの既存の方法は、ANNsとSNNsの違いを無視するSNNsに人工ニューラルネットワーク(ANNs)のプルーニングアプローチを直接適用する。本稿では,ネットワーク構造を無訓練でシームレスに最適化可能な,snsの接続性と重み付けの合同学習アルゴリズムgradle rewiring (gradr)を提案する。
論文参考訳（メタデータ） (2021-05-11T10:05:53Z)

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。