論文の概要: SH-WRNN: Implicit Spherical Harmonics Weight Field Routing Neural Networks for Asymmetric Edge Intelligence

• arxiv url: http://arxiv.org/abs/2609.14614v1
• Date: Sun, 13 Sep 2026 15:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.86419
• Title: SH-WRNN: Implicit Spherical Harmonics Weight Field Routing Neural Networks for Asymmetric Edge Intelligence
• Title（参考訳）: SH-WRNN:非対称エッジインテリジェンスのための球高調波重みフィールドルーティングニューラルネットワーク
• Abstract要約: Inlicit Spherical Harmonics Weight Field Routing Neural Network (SH-WRNN)を紹介する。 現在の層の重み行列を取得する際、接続パラメータは緯度と経度を用いて局所化される。 SH-WRNNは1回のトレーニングで91.05%と81.54%の堅牢なアキュラシーを達成している。
• 参考スコア（独自算出の注目度）: 0.5500249707065664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning architectures remain rigidly built upon traditional fully connected layers. While networks scale up, few challenge this foundational root. In this work, we reshape this paradigm by transforming the core synapse weight matrix from static, discrete parameters into a differentiable, continuous field governed by spherical harmonics functions. We introduce the Implicit Spherical Harmonics Weight Field Routing Neural Network (SH-WRNN), which constrains weight matrices within a continuous parametric field instead of optimizing millions of localized discrete weights. When retrieving the weight matrix of the current layer, connection parameters are localized using latitude and longitude on a rectangular plane mapped from the continuous field. The latitudinal coordinate is specified by activated neurons from the previous layer, while the longitudinal coordinate is determined by keys generated from previous layer activations via matrix multiplication. By evaluating intersections on this map, the network dynamically extracts its connection weights on-the-fly. Empirical validation on MNIST demonstrates that under compact configurations of (32, 10, 10) and (32, 3, 10), SH-WRNN achieves robust accuracies of 91.05% and 81.54% within a single training epoch. Furthermore, we propose an asymmetric Surface Baking scheme. Upon convergence, the continuous weight field is baked once into a static parametric surface. By eliminating analytical spherical harmonics calculations during inference and reducing dynamic matrix extraction to high-speed localized memory slicing, this scheme achieves asymmetric algorithmic acceleration with negligible accuracy degradation. This paradigm shift bypasses GPU memory-bandwidth monopolies, opening a novel path to reshape the advantages of CPU computing. Code is available at https://github.com/jzb1111/SphericalHarmonyRoutedNeuralNetWork.
• Abstract（参考訳）: ディープラーニングアーキテクチャは、従来の完全に接続されたレイヤ上に厳格に構築されている。 ネットワークはスケールアップするが、この基礎的なルーツに挑戦する人はほとんどいない。 本研究では,コアシナプス重み行列を静的な離散パラメータから球面調和関数に支配される微分可能連続場に変換することにより,このパラダイムを再構築する。 Inlicit Spherical Harmonics Weight Field Routing Neural Network (SH-WRNN)を導入する。 現在の層の重み行列を取得する際、接続パラメータは連続体からマッピングされた矩形平面上で緯度と経度を用いて局所化される。 縦座標は前層からの活性化ニューロンによって特定され、縦座標は行列乗算により前層活性化から生成された鍵によって決定される。 この地図上の交点を評価することにより、ネットワークは動的にその接続重みをフライ・ザ・フライで抽出する。 MNISTの実証検証では、(32, 10, 10) と (32, 3, 10) のコンパクトな構成下において、SH-WRNN は1回のトレーニングで 91.05% と 81.54% の堅牢な精度を達成している。 さらに,非対称な表面ベーキング方式を提案する。 収束すると、連続重量場は静的パラメトリック表面に一度焼成される。 推論中の解析的球面調和計算を排除し、動的行列抽出を高速局所記憶スライシングに還元することにより、無視可能な精度劣化を伴う非対称なアルゴリズム加速度を実現する。 このパラダイムシフトはGPUメモリバンド幅独占をバイパスし、CPUコンピューティングの利点を再形成する新たな道を開く。 コードはhttps://github.com/jzb1111/SphericalHarmonyRoutedNeuralNetWorkで公開されている。

関連論文リスト

• Emulating Cosmic Structure Formation with a Lagrangian Neural Cellular Automaton [0.0]
  本研究では,共振格子上の局所的反復的動的過程として構造形成に適用可能なハイブリッドディープラーニングフレームワークを提案する。 非線型物理学の高忠実なエミュレーションを実現するため,Zeldovich近似のテクスチレンス変位補正のみを学習するようにネットワークを訓練する。 トレーニングされたモデルでは、パワーとクロススペクトルのパーセンテージレベルの精度を非線形状態によくサポートしています。
  論文  参考訳（メタデータ） (2026-07-29T18:00:01Z)
• Equivariant Continuous Normalizing Flows with Offline Sampling for Fermionic Ground State Estimation [0.0]
  フローは置換同変ニューラルODEとして実装される。 調和に閉じ込められたスピンレス電子系のトレーニングは、CISD基準値以下の基底状態エネルギーを示す。 スケーリング実験では、NERSCのPerlmutterスーパーコンピュータの32のGPUノードを使用して、1～128のNVIDIA A100のほぼ理想的なスケーリングを実証している。
  論文  参考訳（メタデータ） (2026-07-20T20:17:13Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• NNiT: Width-Agnostic Neural Network Generation with Structurally Aligned Weight Spaces [15.631276865948097]
  ニューラルネットワーク拡散変換器 (NNiT) を導入し, ウェイトを幅に依存しない方法で生成する。 ManiSkill3のロボティクスタスクでは、NNiTはトレーニング中に見つからないアーキテクチャトポロジで85%の成功を達成し、ベースラインアプローチは一般化に失敗する。
  論文  参考訳（メタデータ） (2026-02-26T20:47:30Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Accurate and efficient Simulation of very high-dimensional Neural Mass Models with distributed-delay Connectome Tensors [0.23453441553817037]
  本稿では,2つの必須成分によって定義された高次元ニューラルマスモデル(NMM)を効率的に統合する手法を提案する。 1つ目は、各神経質量の力学の非線形ランダム微分方程式の集合である。 2つ目は、接続の強度と各接続の軸線に沿った情報伝達の遅延を符号化する、非常にスパースな3次元コネクトーム(CT)である。
  論文  参考訳（メタデータ） (2020-09-16T05:55:17Z)
• From deep to Shallow: Equivalent Forms of Deep Networks in Reproducing Kernel Krein Space and Indefinite Support Vector Machines [63.011641517977644]
  ディープネットワークを等価な(不確定な)カーネルマシンに変換します。 次に、この変換がキャパシティ制御および一様収束に与える影響について検討する。 最後に、平坦表現の空間性について解析し、平坦な重みが(効果的に) 0p1 で正規化された Lp-"ノルム" であることが示される。
  論文  参考訳（メタデータ） (2020-07-15T03:21:35Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• Nonlinear system identification with regularized Tensor Network B-splines [2.817412580574242]
  The TNBS-NARX model is confirmed by the identified of the cascaded Watertank benchmark regular system。 標準的なデスクトップコンピュータ上で16次元のBスプライン面を4秒で識別しながら、最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-17T09:22:20Z)

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。