Fugu-MT 論文翻訳(概要): A Spatiotemporal Extension of the Neuromorphic DBSCAN Implementation

論文の概要: A Spatiotemporal Extension of the Neuromorphic DBSCAN Implementation

arxiv url: http://arxiv.org/abs/2609.17357v1
Date: Tue, 15 Sep 2026 15:56:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.612118
Title: A Spatiotemporal Extension of the Neuromorphic DBSCAN Implementation
Title（参考訳）: ニューロモルフィックDBSCAN実装の時空間拡張
Abstract要約: 本研究では,CNCAN' と CANsystolic' という2つの構造の拡張について述べる。すべてのネットワーク構造はオープンソース実装として提供される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: DBSCAN is an algorithm that denoises and clusters data. In prior work, we implemented the DBSCAN algorithm neuromorphically, introducing two constructions termed ``flat'' and ``systolic''. The ``flat'' construction prioritizes throughput, while the ``systolic'' construction trades time for space resulting in a smaller, more hardware-friendly architecture at the cost of throughput. In this work, we offer spatiotemporal extensions of these two constructions to better leverage the spatiotemporal nature of event sensor data. Moreover, as in our prior work, we discuss partial or segmented implementations that further leverage time for space when hardware resources are constrained. All network constructions are provided as open-source implementations.
Abstract（参考訳）: DBSCANはデータをノイズ化し、クラスタ化するアルゴリズムである。先行研究では,DBSCANアルゴリズムをニューロモルフィックに実装し,'flat' と `systolic'' という2つの構造を導入した。しかし、‘systolic’の構築は、スループットを優先し、‘systolic’の構築は、スループットを犠牲にして、より小さく、よりハードウェアフレンドリーなアーキテクチャをもたらす。本研究では,イベントセンサデータの時空間特性をよりよく活用するために,これらの2つの構造を時空間拡張する。さらに,本論文では,ハードウェアリソースが制約された場合の空間時間をさらに活用する部分的あるいは部分的実装について論じる。すべてのネットワーク構造はオープンソース実装として提供される。

関連論文リスト

BSFA: Leveraging the Subspace Dichotomy to Accelerate Neural Network Training [59.581876419579864]
ディープラーニングのための新しいプラグアンドプレイフレームワークである textbfBulk-Space-Filtration-Accelerator (BSFA) を紹介する。 BSFAは異なる部分空間に投影された更新コンポーネントを差分スケーリングすることでトレーニングを加速する。我々は,BSFAの加速度を様々なタスクで実証し,特に約2$times$ Speedupを実現した。
論文参考訳（メタデータ） (2025-10-29T07:51:35Z)
A Neuromorphic Implementation of the DBSCAN Algorithm [0.0]
DBSCANはノイズの存在下でクラスタリングを行うアルゴリズムである。我々は、DBSCANをニューロモルフィズム的に実装できる2つの構造を提供する。
論文参考訳（メタデータ） (2024-09-22T02:41:19Z)
Scalable Density-based Clustering with Random Projections [7.642646077340124]
本稿では,コサイン距離の高い高次元密度クラスタリングアルゴリズムであるsDBSCANを提案する。実証的には、sDBSCANは、現実世界の百万点データセット上の他の多くのクラスタリングアルゴリズムよりもはるかに高速で精度が高い。
論文参考訳（メタデータ） (2024-02-24T01:45:51Z)
Nothing Stands Still: A Spatiotemporal Benchmark on 3D Point Cloud Registration Under Large Geometric and Temporal Change [82.31647863785923]
人工空間の3次元幾何学地図の構築は、基本的なコンピュータビジョンとロボット工学である。 Not Stands Still (NSS)ベンチマークは、大きな空間的および時間的変化を行う3Dシーンの時間的登録に焦点を当てている。 NSSの一環として,建設中または改修中の大規模建築屋内環境において,3次元点雲のデータセットを連続的に取得する。
論文参考訳（メタデータ） (2023-11-15T20:09:29Z)
Enhancing Spatiotemporal Prediction Model using Modular Design and Beyond [2.323220706791067]
時間と空間の両方でシーケンスを予測することは困難である。主流の方法は、同時に時間構造と空間構造をモデル化することである。配列モデルを空間エンコーダデコーダと予測器の2つのモジュールに組み込むモジュール設計を提案する。
論文参考訳（メタデータ） (2022-10-04T10:09:35Z)
Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-27T03:49:04Z)
Topological Signal Processing using the Weighted Ordinal Partition Network [1.9594639581421422]
トポロジカルデータ分析(TDA)は、データの形状と構造に関する情報を符号化する。近年、トポロジカル信号処理(TSP)として知られる信号処理タスクにTDAのツールを活用するというアイデアが注目されている。本稿では,重み付きOPNをTDAで解析するパイプラインを構築する。
論文参考訳（メタデータ） (2022-04-27T18:01:18Z)
Towards Bi-directional Skip Connections in Encoder-Decoder Architectures and Beyond [95.46272735589648]
本稿では,デコードされた機能をエンコーダに戻すための後方スキップ接続を提案する。我々の設計は、任意のエンコーダ・デコーダアーキテクチャにおいて前方スキップ接続と共同で適用することができる。本稿では,2相ニューラルネットワーク探索(NAS)アルゴリズム,すなわちBiX-NASを提案する。
論文参考訳（メタデータ） (2022-03-11T01:38:52Z)
Mining Interpretable Spatio-temporal Logic Properties for Spatially Distributed Systems [0.7585262843303869]
本稿では,時間的データに対する教師なし学習のためのアルゴリズムセットを提案する。本手法は,複雑性決定木手法を用いて,有界記述のSTREL式を生成する。本研究では, 都市交通, グリーンインフラストラクチャ, 大気質モニタリングなど多様な分野の事例研究におけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2021-06-16T04:51:26Z)
Deep Parametric Continuous Convolutional Neural Networks [92.87547731907176]
Parametric Continuous Convolutionは、非グリッド構造化データ上で動作する、新たな学習可能な演算子である。室内および屋外シーンの点雲セグメンテーションにおける最先端技術よりも顕著な改善が見られた。
論文参考訳（メタデータ） (2021-01-17T18:28:23Z)
ASAP-Net: Attention and Structure Aware Point Cloud Sequence Segmentation [49.15948235059343]
我々は、ASAPと呼ばれるフレキシブルモジュールにより、ポイントテンポラルクラウド機能をさらに改善する。我々のASAPモジュールは、フレーム間の比較的情報性の高い局所的特徴を連続的に融合させるために、注意深い時間的埋め込み層を含んでいる。本稿では、ポイントクラウドシーケンシャルセグメンテーションのための異なる計算バックボーンネットワークを持つASAPモジュールの一般化能力を示す。
論文参考訳（メタデータ） (2020-08-12T07:37:16Z)

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。