論文の概要: Benchmarking spiking neural networks across sensing modalities on edge devices

• arxiv url: http://arxiv.org/abs/2609.00026v1
• Date: Thu, 27 Aug 2026 06:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:35.71706
• Title: Benchmarking spiking neural networks across sensing modalities on edge devices
• Title（参考訳）: エッジデバイスにおけるセンサモード間のスパイクニューラルネットワークのベンチマーク
• Abstract要約: 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)に代わる有望な選択肢である 我々は5つのセンシングモードと複数のエッジデバイスにまたがるSNNのベンチマークを示す。 SNNの利点はモダリティに依存しているのに対し、無線センシングは特に有利な領域として現れる。
• 参考スコア（独自算出の注目度）: 43.191205262610026
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge computing systems need to support diverse sensing workloads under tight energy and memory constraints, thereby motivating deployment-aware model selection. Spiking neural networks (SNNs) are a promising alternative to conventional artificial neural networks (ANNs), yet systematic evidence for when and why they provide practical advantages remains limited. Here, we present a benchmark of SNNs across five sensing modalities and multiple edge devices, systematically evaluating spike encoding, neuron models, and network topologies under consistent training and deployment protocols. We find that SNN advantages are strongly modality-dependent: while SNNs achieve performance broadly comparable to ANNs across most workloads, wireless sensing emerges as a particularly favorable domain. Frequency-domain and feature-space analyses further explain this result by showing that spiking dynamics naturally align with the spectral-temporal structure of wireless signals. Our deployment analysis further shows that SNN advantages are not one-dimensional, with energy gains often accompanied by modality-dependent system costs. Finally, we provide an open-source framework for reproducible benchmarking and deployment profiling, offering a practical foundation for algorithm-software-hardware co-design on emerging edge and neuromorphic computing platforms.
• Abstract（参考訳）: エッジコンピューティングシステムは、厳しいエネルギーとメモリ制約の下で多様なセンシングワークロードをサポートし、デプロイメント対応モデル選択を動機付ける必要がある。 スパイキングニューラルネットワーク(SNN)は、従来の人工知能ニューラルネットワーク(ANN)に代わる有望な代替手段である。 本稿では,5つのセンサモードと複数のエッジデバイスにまたがるSNNのベンチマークを行い,一貫したトレーニングおよび展開プロトコルの下でスパイクエンコーディング,ニューロンモデル,ネットワークトポロジを体系的に評価する。 SNNは、ほとんどのワークロードでANNに匹敵するパフォーマンスを実現していますが、ワイヤレスセンシングは特に好都合な領域として現れます。 周波数領域と特徴空間の解析は、スパイキングダイナミクスが無線信号のスペクトル時間構造と自然に一致していることを示し、この結果をさらに説明している。 展開分析により,SNNの利点は1次元ではなく,エネルギーゲインにはモダリティ依存のシステムコストが伴うことが明らかとなった。 最後に、我々は、再現可能なベンチマークとデプロイメントのプロファイリングのためのオープンソースのフレームワークを提供し、新しいエッジとニューロモルフィックコンピューティングプラットフォーム上で、アルゴリズム・ソフトウェア・ハードウェアの共同設計の実践的な基盤を提供する。

関連論文リスト

• Event-based Heterogeneous Information Processing for Online Vision-based Obstacle Detection and Localization [0.3499870393443268]
  本稿では,ハイブリッドニューラルネットワーク(HNN)とスパイキングニューラルネットワーク(SNN)に基づくフィルタリングを統合した,ロボットビジョンに基づくナビゲーションのための新しいフレームワークを提案する。 ANN(Artificial Neural Networks)とSNN(SNN)の相補的な強みを活用することで、システムは正確な環境理解と高速でエネルギー効率の高い処理を実現する。
  論文  参考訳（メタデータ） (2026-01-19T23:09:23Z)
• 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)
• Causal pieces: analysing and improving spiking neural networks piece by piece [2.255961793913651]
  我々は「線形ピース」の概念から導かれたスパイクニューラルネットワーク(SNN)の新たな概念を紹介した。 SNNの入力領域は、出力スパイク時間が局所的にリプシッツ連続である別の因果領域に分解されることを示す。 と呼ぶ領域の数は、SNNの近似能力の尺度である。
  論文  参考訳（メタデータ） (2025-04-18T18:07:33Z)
• Exploring Neural Network Pruning with Screening Methods [3.443622476405787]
  現代のディープラーニングモデルは数千万のパラメータを持ち、推論プロセスはリソース集約化されている。 本稿では,非必須パラメータを除去するネットワーク・プルーニング・フレームワークの提案と評価を行う。 提案するフレームワークは,従来のネットワークと比較して,競争力のあるリーンネットワークを生成する。
  論文  参考訳（メタデータ） (2025-02-11T02:31:04Z)
• Applications of Spiking Neural Networks in Visual Place Recognition [19.577433371468533]
  スパイキングニューラルネットワーク(SNN)は、その潜在的なエネルギー効率と低レイテンシについて、ますます認識されている。 本稿では,視覚的位置認識(VPR)におけるSNNの3つの進歩について述べる。 まず,各SNNが重複しない地理的に異なる場所の集合を表すモジュールSNNを提案する。 次に、複数のネットワークが同じ場所を表すモジュールSNNのアンサンブルを示す。 最後に,SNNに基づくVPRにおけるシーケンスマッチングの役割について検討する。
  論文  参考訳（メタデータ） (2023-11-22T06:26:24Z)
• 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)
• 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)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• 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。