論文の概要: Evaluating Encoding Strategies for Closed-Loop Classification in Biological Neural Networks

• arxiv url: http://arxiv.org/abs/2607.13644v1
• Date: Wed, 15 Jul 2026 09:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.722059
• Title: Evaluating Encoding Strategies for Closed-Loop Classification in Biological Neural Networks
• Title（参考訳）: 生体ニューラルネットワークにおける閉ループ分類のための符号化戦略の評価
• Abstract要約: 生体ニューラルネットワーク(BNN)とのインタフェースは、情報を刺激パターンにエンコードする必要がある。 我々は、レートベース、フェーズベース、バーストベース、タイム・ツー・スパイク・タイムエンコーディングを含む複数のエンコーディング戦略を比較した。 バーストベースのテンポラルエンコーディングは、最大95.6%の精度で2進分類タスクを達成し、最も高い観測性能が得られることがわかった。
• 参考スコア（独自算出の注目度）: 6.456091827595635
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interfacing with Biological Neural Networks (BNNs) requires encoding information into stimulation patterns that can be effectively processed and that enable the underlying system to adapt. Nevertheless, the role of stimulation encoding remains poorly understood. In this work, we compare multiple encoding strategies, including rate-based, phase-based, burst-based, and time-to-first-spike temporal encodings, in a closed-loop neural classification task using cultured BNNs. We encode visual inputs as spatiotemporal stimulation patterns delivered via a Multi-Electrode Array (MEA) and evaluate classification performance for each encoding scheme. We find that burst-based temporal encoding yields the highest observed performance, achieving up to 95.6 % accuracy in a binary classification task, compared to substantially lower performance from rate- and phase-based approaches. We further show that performance is highly sensitive to the spatial distribution of stimulation, with suboptimal electrode selection significantly degrading accuracy. These findings indicate that effective interfacing with biological neural systems requires the joint optimization of temporal and spatial encoding strategies, and highlight temporal encoding as a key design dimension for bio-digital computing.
• Abstract（参考訳）: バイオニューラルネットワーク(BNN)とのインタフェースは、効果的に処理され、基盤となるシステムが適応できるようにする刺激パターンに情報をエンコードする必要がある。 それでも、エンコーディングの促進の役割はよく理解されていない。 本研究では,BNNを用いたクローズドループニューラル分類タスクにおいて,レートベース,フェーズベース,バーストベース,タイム・ツー・スパイク・テンポラルエンコーディングを含む複数のエンコーディング戦略を比較した。 視覚入力を多電極アレイ(MEA)による時空間刺激パターンとしてエンコードし、各符号化方式の分類性能を評価する。 バーストベース時相符号化は,2進分類タスクにおいて最大95.6%の精度を達成し,その性能は,レートベースと位相ベースのアプローチに比べて著しく低下することがわかった。 さらに,刺激の空間分布に非常に敏感であり,電極選択の精度が著しく低下していることを示す。 これらの結果から,生物学的ニューラルネットワークと効果的に対話するには,時間的および空間的エンコーディング戦略を共同で最適化し,時間的エンコーディングを生体デジタルコンピューティングの鍵となる設計次元として強調する必要があることが示唆された。

関連論文リスト

• A Latency Coding Framework for Deep Spiking Neural Networks with Ultra-Low Latency [51.75891259753546]
  スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューラル処理に重要な可能性を持つ生物学的にインスパイアされたコンピューティングパラダイムを提供する。 Time-To-First-Spike (TTFS)コーディングは、ニューロンの最初のスパイクの正確なタイミングを通じて情報を符号化する。 TTFSモデルには効率的なトレーニング方法がなく、高い推論遅延と限られたパフォーマンスに悩まされている。 本稿では,バックプロパゲーション・スロー・タイム(BPTT)アルゴリズムを用いて,深層TTFS符号化SNNの効率的なトレーニングを可能にする包括的フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-24T13:52:03Z)
• Hybrid Temporal-8-Bit Spike Coding for Spiking Neural Network Surrogate Training [0.20999222360659606]
  スパイキングニューラルネットワーク(SNN)は、計算神経科学と人工知能において有望な方向として登場した。 近年の研究では、ハイブリットレート・テンポラルコーディング戦略は、サロゲートバックプロパゲーションでトレーニングした際の性能を著しく向上させることができることが示されている。 本研究では,ビット平面分解と時間符号の原理を統合するハイブリッド時間ビットスパイク符号化法を提案する。
  論文  参考訳（メタデータ） (2025-12-03T15:29:26Z)
• Encoding Optimization for Low-Complexity Spiking Neural Network Equalizers in IM/DD Systems [49.34817254755008]
  スパイキングニューラルネットワーク(SNN)の最適化のための強化学習に基づくアルゴリズムを提案する。 IM/DDシステムにおけるSNNベースの等化器とデマッパーに適用することにより,計算負荷とネットワークサイズを低減し,性能を向上させる。
  論文  参考訳（メタデータ） (2025-08-19T12:32:13Z)
• Bio-Inspired Classification: Combining Information Theory and Spiking Neural Networks -- Influence of the Learning Rules [0.0]
  トレーニングスパイキングニューラルネットワーク(SNN)は、そのユニークな性質のため、難しい。 バイオインスパイアされた学習ルールを含む,選択された学習アルゴリズムの種類が,複雑性の正確な分類に与える影響を考察する。
  論文  参考訳（メタデータ） (2025-06-07T10:43:09Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• A Comparison of Temporal Encoders for Neuromorphic Keyword Spotting with Few Neurons [0.11726720776908518]
  SNNにおける時間的エンコーディングと特徴抽出のための2つの神経計算要素について検討した。 リソース効率の良いキーワードスポッティングアプリケーションは、これらのエンコーダを使用することで恩恵を受けることができるが、時間定数と重み付けを学習する手法をさらに研究する必要がある。
  論文  参考訳（メタデータ） (2023-01-24T12:50:54Z)
• Efficient spike encoding algorithms for neuromorphic speech recognition [5.182266520875928]
  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プロセッサの実装に非常に効果的である。 実値信号は、SNNに適さない実値信号として符号化される。 本稿では,話者独立桁分類システムにおける4つのスパイク符号化手法について検討する。
  論文  参考訳（メタデータ） (2022-07-14T17:22:07Z)
• Bioinspired Cortex-based Fast Codebook Generation [0.09449650062296822]
  脳内の知覚皮質ネットワークにインスパイアされた特徴抽出法を提案する。 バイオインスパイアされた大脳皮質と呼ばれるこのアルゴリズムは、より優れた計算効率を持つストリーミング信号の特徴に収束する。 ここでは、クラスタリングおよびベクトル量子化における大脳皮質モデルの優れた性能を示す。
  論文  参考訳（メタデータ） (2022-01-28T18:37:43Z)
• Stochastic Markov Gradient Descent and Training Low-Bit Neural Networks [77.34726150561087]
  本稿では,量子化ニューラルネットワークのトレーニングに適用可能な離散最適化手法であるGradient Markov Descent (SMGD)を紹介する。 アルゴリズム性能の理論的保証と数値的な結果の促進を提供する。
  論文  参考訳（メタデータ） (2020-08-25T15:48:15Z)

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。