論文の概要: Towards an Expressivity-Normalized Energy-Demand Comparison of ANNs and SNNs

• arxiv url: http://arxiv.org/abs/2608.29869v1
• Date: Sun, 30 Aug 2026 15:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.094258
• Title: Towards an Expressivity-Normalized Energy-Demand Comparison of ANNs and SNNs
• Title（参考訳）: ANNとSNNの非正規化エネルギーデマンド比較に向けて
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、しばしば人工ニューラルネットワーク(ANN)のエネルギー効率の良い代替品とみなされる。 時系列データに対する完全接続型ReLU ANNと統合型SNNを比較するための分析フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 15.894969400983642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking neural networks (SNNs) are often regarded as energy-efficient alternatives to artificial neural networks (ANNs), yet their advantage depends critically on both network architecture and data properties. We develop an analytical framework to compare fully-connected ReLU ANNs and integrate-and-fire SNNs for time-series data with respect to their theoretical energy efficiency at matched expressive capacity. By relating an inference-energy model to theoretical bounds on representational expressivity, we derive an expressivity-normalized efficiency ratio and explicit thresholds in network width, spike sparsity, and ANN depth scaling. Our analysis characterizes the regimes in which event-driven computation offsets the temporal overhead of SNNs, providing capacity-aware principles for designing energy-efficient temporal networks. It shows that ANNs exceed SNNs in expressivity-normalized efficiency only in specific regimes.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、しばしば人工知能ニューラルネットワーク(ANN)のエネルギー効率の良い代替品とみなされるが、その利点はネットワークアーキテクチャとデータ特性の両方に大きく依存する。 本研究では, 時系列データに対する完全接続型ReLU ANNと統合型SNNを比較し, 一致した表現能力における理論エネルギー効率について解析的枠組みを構築した。 予測エネルギーモデルを表現表現率の理論的境界に関連付けることにより、表現率正規化効率比と、ネットワーク幅、スパイク空間、ANN深度スケーリングの明確な閾値を導出する。 本分析では,SNNの時間的オーバーヘッドをイベント駆動計算がオフセットし,エネルギー効率の良い時間的ネットワークを設計するためのキャパシティ対応の原理を提供する。 これは、ANNがSNNを上回り、特定のレシエーションにおいてのみ表現性正規化効率が向上することを示している。

関連論文リスト

• Generalization Bounds of Spiking Neural Networks via Rademacher Complexity [58.338455812259724]
  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と計算における大きな可能性のために、バイオインスパイアされたモデルの1つとして注目を集めている。 近年の進歩は、発火を伴うSNNのラデマッハ複雑性が指数関数によって上界化されるような、励起依存的でアーキテクチャ関連の一般化が明らかにされている。 理論的には、Rademacher複雑性を通したいくつかの統合ファイアスキームによるSNNの一般化境界について検討する。
  論文  参考訳（メタデータ） (2026-04-26T14:24:48Z)
• Accuracy, Memory Efficiency and Generalization: A Comparative Study on Liquid Neural Networks and Recurrent Neural Networks [4.8039887662381995]
  レビューは、液体ニューラルネットワーク(LNN)と従来のリカレントニューラルネットワーク(RNN)の比較分析を行うことを目的としている。 研究結果によると、LNNは、生物学的にインスパイアされた、継続的な時間的動的ニューラルネットワークとして、ノイズの多い非定常的なデータを扱う大きな可能性を示している。 いくつかのLNN変種はパラメータ効率と計算速度の点で従来のRNNより優れている。
  論文  参考訳（メタデータ） (2025-10-08T21:50:34Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Time to Spike? Understanding the Representational Power of Spiking Neural Networks in Discrete Time [15.846913160026341]
  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(ANN)によって引き起こされるエネルギー問題に対する潜在的な解決策である 本研究では,漏洩型統合火災(LIF)ニューロンに基づくSNNの離散時間モデルについて検討した。
  論文  参考訳（メタデータ） (2025-05-23T15:28:00Z)
• Self-cross Feature based Spiking Neural Networks for Efficient Few-shot Learning [16.156610945877986]
  スパイキングニューラルネットワーク(SNN)に基づく数発の学習フレームワークを提案する。 列車の時間的スパイクダイナミクスを最適化し,識別力を高めるために,時間的効率的なトレーニング損失と情報損失の組み合わせを適用した。
  論文  参考訳（メタデータ） (2025-05-12T16:51:08Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• LitE-SNN: Designing Lightweight and Efficient Spiking Neural Network through Spatial-Temporal Compressive Network Search and Joint Optimization [48.41286573672824]
  スパイキングニューラルネットワーク(SNN)は人間の脳の情報処理機構を模倣し、エネルギー効率が高い。 本稿では,空間圧縮と時間圧縮の両方を自動ネットワーク設計プロセスに組み込むLitE-SNNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-26T05:23:11Z)
• Is Conventional SNN Really Efficient? A Perspective from Network Quantization [7.04833025737147]
  スパイキングニューラルネットワーク(SNN)はその高エネルギー効率と膨大なポテンシャルで広く称賛されている。 しかし、SNNと量子化ニューラルネットワーク(ANN)を批判的に対比し、関連付ける包括的な研究はいまだに残っていない。 本稿では、SNNにおける時間ステップとアクティベーション値の量子化ビット幅が類似表現であることを示す統一的な視点を紹介する。
  論文  参考訳（メタデータ） (2023-11-17T09:48:22Z)
• Single Channel Speech Enhancement Using U-Net Spiking Neural Networks [2.436681150766912]
  音声強調(SE)は、信頼性の高い通信装置や頑健な音声認識システムに不可欠である。 U-Netアーキテクチャに基づくスパイキングニューラルネットワーク(SNN)を用いたSEに対する新しいアプローチを提案する。 SNNは音声などの時間次元のデータ処理に適しており、ニューロモルフィックハードウェア上でのエネルギー効率のよい実装で知られている。
  論文  参考訳（メタデータ） (2023-07-26T19:10:29Z)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• 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)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• 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。