論文の概要: AS-FedBridge: Pseudo-Spike Bridge Distillation for Heterogeneous ANN-SNN Federated Learning

• arxiv url: http://arxiv.org/abs/2608.03324v1
• Date: Tue, 04 Aug 2026 08:32:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.10046
• Title: AS-FedBridge: Pseudo-Spike Bridge Distillation for Heterogeneous ANN-SNN Federated Learning
• Title（参考訳）: AS-FedBridge:異種ANN-SNNフェデレーションラーニングのための擬似スパイクブリッジ蒸留
• Authors: Shengyang Li, Yiting Dong, Liuyang Song, Ximing Wang, Luyuan Xie, Cong Li, Qingni Shen, Zhaofei Yu,
• Abstract要約: 従来のニューラルネットワーク(ANN)の代替として、スパイキングニューラルネットワーク(SNN)が登場した。 混合ANN-SNNクライアントに適した新しいフェデレート学習フレームワークであるAS-FedBridgeを提案する。
• 参考スコア（独自算出の注目度）: 56.2943018570345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning enables collaborative model training across distributed edge devices while strictly preserving data privacy. To facilitate practical deployment on resource-constrained edge devices, Spiking Neural Networks (SNNs) have emerged as a promising alternative to traditional Artificial Neural Networks (ANNs) due to their sparse computing mechanisms and high energy efficiency. However, jointly training ANNs and SNNs exposes a challenge of representational misalignment, which is intrinsically caused by differences in information representation, specifically the semantic gap between continuous real-valued activations in ANNs and discrete spatio-temporal spikes in SNNs. To overcome this barrier, we propose AS-FedBridge, a novel federated learning framework tailored for mixed ANN-SNN clients. AS-FedBridge features a lightweight Bridge equipped with a Pseudo-Spike Interface, which effectively projects continuous signals into a spike-compatible space to facilitate ANN-SNN alignment. Given the absence of existing mixed ANN-SNN federated frameworks, we establish a comprehensive benchmark to evaluate against multiple advanced heterogeneous FL methods. Our empirical analysis demonstrates a positive correlation between the degree of ANN-SNN alignment and the collaborative FL performance. Across four datasets, AS-FedBridge consistently demonstrates advanced accuracy while mitigating extreme scale, architecture, and client heterogeneity challenge. Furthermore, our framework enables a highly controllable trade-off between model performance and resource efficiency. AS-FedBridge accomplishes these robust performance gains while introducing only marginal computational overhead, establishing a robust and practical foundation for mixed ANN-SNN federated learning systems.
• Abstract（参考訳）: フェデレーション学習は、データプライバシを厳格に保護しつつ、分散エッジデバイス間の協調的なモデルトレーニングを可能にする。 リソース制約のあるエッジデバイスへの現実的な展開を容易にするため、スパイキングニューラルネットワーク(SNN)は、そのスパースコンピューティング機構と高エネルギー効率のため、従来のニューラルネットワーク(ANN)に代わる有望な代替品として登場した。 しかし、ANNとSNNの協調トレーニングは、情報表現の違い、特にANNにおける連続実数値アクティベーションとSNNにおける離散時空間スパイクのセマンティックギャップによって本質的に引き起こされる、表現的ミスアライメントの課題を明らかにする。 この障壁を克服するために、混合ANN-SNNクライアントに適した新しいフェデレーション学習フレームワークAS-FedBridgeを提案する。 AS-FedBridgeはPseudo-Spike Interfaceを備えた軽量ブリッジを備えており、連続的な信号をスパイク互換空間に効果的に投影し、ANN-SNNアライメントを容易にする。 既存の混合ANN-SNNフェデレーションフレームワークが存在しないことを踏まえ、我々は複数の高度異種FL法に対して総合的なベンチマークを確立する。 実験により,ANN-SNNアライメントの程度と協調FL性能との正の相関が示された。 4つのデータセットにわたって、AS-FedBridgeは、極端なスケール、アーキテクチャ、クライアントの不均一性を緩和しながら、常に高度な精度を示す。 さらに,本フレームワークは,モデルの性能と資源効率のトレードオフを極めて制御可能なものにする。 AS-FedBridgeは、限界計算オーバーヘッドのみを導入しながら、これらの堅牢なパフォーマンス向上を実現し、混合ANN-SNN連合学習システムのための堅牢で実用的な基盤を確立する。

関連論文リスト

• 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)
• Efficient Event-Based Object Detection: A Hybrid Neural Network with Spatial and Temporal Attention [2.5075774828443467]
  ニューロモルフィックハードウェア上のスパイキングニューラルネットワーク(SNN)は、エネルギー効率と低レイテンシのイベントベースのデータ処理のためにしばしば考慮される。 本稿では、イベントベースオブジェクト検出のためのアテンションベースのHybrid SNN-ANNバックボーンを紹介する。
  論文  参考訳（メタデータ） (2024-03-15T10:28:31Z)
• LM-HT SNN: Enhancing the Performance of SNN to ANN Counterpart through Learnable Multi-hierarchical Threshold Model [42.13762207316681]
  スパイキングニューラルネットワーク(SNN)は、よりエネルギー効率の良い方法で情報を伝達する本質的な能力に対して、広く学術的な関心を集めている。 SNNの学習アルゴリズムを様々な方法で最適化する以前の取り組みにもかかわらず、SNNはパフォーマンス面でもANNに遅れを取っている。 本稿では,グローバル入力電流と膜電位リークを動的に制御できる等価多閾値モデルであるLM-HTモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-01T08:10:39Z)
• A Hybrid ANN-SNN Architecture for Low-Power and Low-Latency Visual Perception [27.144985031646932]
  Spiking Neural Networks(SNN)は、バイオインスパイアされたニューラルネットワークの一種で、エッジデバイスに低消費電力で低レイテンシな推論をもたらすことを約束する。 イベントベース2Dおよび3Dヒューマンポーズ推定の課題について,本手法では,ANNに比べて性能を4%低下させることなく,88%の消費電力を消費することを示した。
  論文  参考訳（メタデータ） (2023-03-24T17:38:45Z)
• SNN2ANN: A Fast and Memory-Efficient Training Framework for Spiking Neural Networks [117.56823277328803]
  スパイクニューラルネットワークは、低消費電力環境における効率的な計算モデルである。 本稿では,SNNを高速かつメモリ効率で学習するためのSNN-to-ANN(SNN2ANN)フレームワークを提案する。 実験結果から,SNN2ANNをベースとしたモデルがベンチマークデータセットで良好に動作することが示された。
  論文  参考訳（メタデータ） (2022-06-19T16:52:56Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)

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。