論文の概要: Noisy group neurons with synchronous resetting for high-performance spiking neural networks

• arxiv url: http://arxiv.org/abs/2608.17394v1
• Date: Tue, 18 Aug 2026 05:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.226267
• Title: Noisy group neurons with synchronous resetting for high-performance spiking neural networks
• Title（参考訳）: 同期リセットを用いた高能率スパイキング神経回路用ノイズ群ニューロン
• Abstract要約: 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、情報損失と勾配ミスマッチのため、依然として困難である。 本稿では,集団リセットとニューラル性機構を組み込んだ雑音性群ニューロン(NG同期)モデルを提案する。 次に、NGNモデルと平均場力学に基づくNproation学習を組み合わせたNlevelフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 3.6453914776570056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking neural networks (SNNs), characterized by bio-inspired neuronal dynamics and event-driven communication, have attained significant progress in recent years. Nevertheless, training deep SNNs remains challenging due to spatiotemporal information loss and gradient mismatching. To simultaneously address these issues, we propose a noisy group neuron (NGN) model, which incorporates population-level synchronous resetting and neural stochasticity as fundamental computational mechanisms. We then develop the NGN method as a framework that combines the NGN model with backpropagation learning based on mean-field dynamics. We demonstrate the advantages of the NGN method through theoretical analysis and experimental validation on CIFAR-10, CIFAR-100, Tiny-ImageNet, DVS-Gesture, N-Caltech101, and CIFAR10-DVS. The proposed approach achieves an accuracy of 87.35% on CIFAR10-DVS within 10 inference time steps. These results support NGN as a practical approach to high-performance neuromorphic computing.
• Abstract（参考訳）: バイオインスパイアされた神経力学と事象駆動型通信を特徴とするスパイキングニューラルネットワーク(SNN)は、近年大きな進歩を遂げている。 それでも、時空間情報損失と勾配ミスマッチのため、深層SNNの訓練は依然として困難である。 これらの問題を同時に解決するために,集団レベルの同期リセットと神経確率性を基本計算機構として組み込んだ雑音性群ニューロン(NGN)モデルを提案する。 次に、NGNモデルと平均場力学に基づくバックプロパゲーション学習を組み合わせたフレームワークとしてNGN法を開発した。 CIFAR-10, CIFAR-100, Tiny-ImageNet, DVS-Gesture, N-Caltech101, CIFAR10-DVSの理論的解析と実験によるNGN法の利点を実証した。 提案手法は,10段階以内のCIFAR10-DVSにおいて87.35%の精度を実現する。 これらの結果は、NGNを高性能なニューロモルフィックコンピューティングの実践的アプローチとしてサポートしている。

関連論文リスト

• Dynamic Neural Graph Encoding of Inference Processes in Deep Weight Space [39.194835904409345]
  本稿では,ニューラルネットワークパラメータを表現するために動的グラフを用いた新しい手法を提案する。 提案手法は,CIFAR-100-INRにおける最先端INR分類精度を約10%上回り,複数のタスクにまたがる大幅な改善を示す。
  論文  参考訳（メタデータ） (2026-07-02T13:36:19Z)
• Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
  本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。 本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。 NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
  論文  参考訳（メタデータ） (2025-10-19T14:23:35Z)
• Learning Neuron Dynamics within Deep Spiking Neural Networks [0.09558392439655011]
  Spiking Neural Networks (SNN)は、Artificial Neural Networks (ANN)の代替として有望なエネルギー効率を提供する ディープSNNは、Leaky Integrate-and-Fire(LIF)モデルのような単純なニューロンモデルに依存しているため、依然として制限されている。 LNMは、トレーニング中にニューロンのダイナミクスを学ぶ非線形統合火炎力学の一般的なパラメトリック定式化である。
  論文  参考訳（メタデータ） (2025-10-07T18:16:57Z)
• Discretized Quadratic Integrate-and-Fire Neuron Model for Deep Spiking Neural Networks [0.08749675983608168]
  スパイキングニューラルネットワーク(SNN)は、従来の人工ニューラルネットワークに代わるエネルギー効率の良い代替手段として登場した。 本稿では,高性能深部スパイクニューラルネットに適した準積分ファイア(QIF)ニューロンモデルの最初の離散化を提案する。
  論文  参考訳（メタデータ） (2025-10-05T02:30:10Z)
• SAFA-SNN: Sparsity-Aware On-Device Few-Shot Class-Incremental Learning with Fast-Adaptive Structure of Spiking Neural Network [19.73335869722781]
  エッジデバイスがデータプライバシを保持し、動的環境における信頼性の高いパフォーマンスを維持するためには、新しいクラスの継続的学習が不可欠である。 本研究では,SNNを用いたデバイス上でのFSCIL(Sparsity-Aware)とFast Adaptive SNN(Fast Adaptive SNN)を提案する。
  論文  参考訳（メタデータ） (2025-10-04T03:21:31Z)
• 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)
• P-SpikeSSM: Harnessing Probabilistic Spiking State Space Models for Long-Range Dependency Tasks [1.9775291915550175]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワークに代わる計算効率が高く生物学的に妥当な代替品として提案されている。 長距離依存タスクのためのスケーラブルな確率的スパイク学習フレームワークを開発した。 我々のモデルは、様々な長距離依存タスクにまたがるSNNモデル間の最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-06-05T04:23:11Z)
• 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)
• PC-SNN: Predictive Coding-based Local Hebbian Plasticity Learning in Spiking Neural Networks [9.026880521552153]
  Spiking Neural Networks (SNN) は、脳の情報処理を非並列な生物学的確率でエミュレートする。 そこで我々は,PC-SNNを提案する。PC-SNNは,予測符号化をSNNと統合し,生物学的に可塑性,局所的なヘビアン可塑性を実現する学習フレームワークである。
  論文  参考訳（メタデータ） (2022-11-24T09:56:02Z)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  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に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• SIT: A Bionic and Non-Linear Neuron for Spiking Neural Network [12.237928453571636]
  スパイキングニューラルネットワーク(SNN)は、時間的情報処理能力と消費電力の低さから、研究者の関心を喚起している。 現在の最先端の手法は、ニューロンが単純な Leaky-Integrate-and-Fire (LIF) モデルに基づいて構築されているため、生物学的な可視性と性能を制限している。 高レベルの動的複雑さのため、現代のニューロンモデルがSNNの実践で実装されることはめったにない。
  論文  参考訳（メタデータ） (2022-03-30T07:50:44Z)
• 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)
• 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。