論文の概要: BLADE: ReliaBle Dynamic Hardware-Aware SNN-ANN Boundary SeLection for Event-BAseD Object DEtection

• arxiv url: http://arxiv.org/abs/2609.17562v1
• Date: Wed, 22 Jul 2026 10:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.5556
• Title: BLADE: ReliaBle Dynamic Hardware-Aware SNN-ANN Boundary SeLection for Event-BAseD Object DEtection
• Title（参考訳）: BLADE: イベントベースオブジェクト検出のためのReliaBle動的ハードウェア対応SNN-ANN境界配列
• Abstract要約: 本稿では,動的ハイブリッドSNN-ANNネットワークにおける信頼性を考慮した境界選択手法BLADEを提案する。 設計・宇宙探査において、階層的な統計的断層注入による信頼性が組み込まれている。 その結果, 信頼性, 正確性, 実行時間, エネルギー消費を共同で最適化することで, 動的ハイブリッドSNN-ANNシステムのより信頼性の高い展開が可能となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hybrid Spiking Neural Network (SNN)-Artificial Neural Network (ANN) architectures combine the energy efficiency of SNNs with the superior detection accuracy of ANNs for event-based object detection. Existing hybrid SNN--ANN networks, however, employ static inference and select the SNN-ANN boundary primarily according to accuracy and energy consumption, without considering dynamic inference or reliability. This paper presents BLADE, the first reliability-aware boundary selection methodology for dynamic hybrid SNN-ANN networks with ANN early exit. The proposed framework jointly optimizes the SNN-ANN boundary and ANN early-exit configuration according to reliability, detection accuracy, execution time, and energy consumption, while incorporating reliability through hierarchical statistical fault injection during design-space exploration. Experimental evaluation on an event-based object detector achieves an mAP 0.5 of 0.691 while reducing the inference compute energy to 15.82~mJ when the ANN early exit fires. Reliability analysis identifies the most significant floating-point exponent bit as the dominant source of catastrophic failures, producing significant-or-worse accuracy degradation in 58.8% of its fault injections. Protecting this single bit with approximately 3% storage overhead eliminates catastrophic failures across the evaluated realistic technology fault rates. Furthermore, increasing the proportion of SNN computation improves fault tolerance, with the fully SNN configuration achieving a reliability retention of 0.965 under aggressive fault conditions. The results demonstrate that jointly optimizing reliability, accuracy, execution time, and energy consumption enables more dependable deployment of dynamic hybrid SNN--ANN systems for safety-critical edge AI applications.
• Abstract（参考訳）: ハイブリッドスパイキングニューラルネットワーク(SNN)-Artificial Neural Network(ANN)アーキテクチャは、イベントベースのオブジェクト検出において、SNNのエネルギー効率とANNのより優れた検出精度を組み合わせる。 しかし、既存のハイブリッドSNN-ANNネットワークは静的推論を用い、動的推論や信頼性を考慮せずに、主に精度とエネルギー消費に応じてSNN-ANN境界を選択する。 本稿では, ANNアーリーエグジットを有する動的ハイブリッドSNN-ANNネットワークにおいて, 信頼性を考慮した境界選択手法BLADEを提案する。 提案フレームワークは, 信頼性, 検出精度, 実行時間, エネルギー消費量に応じて, SNN-ANN境界とANN早期終了構成を共同で最適化し, 設計空間探索における階層的統計的断層注入による信頼性を取り入れた。 事象に基づく物体検出器の実験的評価は、ANN早期発射時に推定計算エネルギーを15.82〜mJに減らし、mAP0.5の0.691を達成する。 信頼性分析では、最も大きな浮動小数点指数ビットが破滅的故障の主原因であり、58.8%の断層注入において重大な精度低下を引き起こす。 約3%のストレージオーバヘッドでこの単一ビットを保護することで、評価された現実的な技術欠陥率の破滅的な障害を排除できる。 さらに、SNN計算の割合の増大は耐障害性を改善し、攻撃的故障条件下でのSNNの完全構成は0.965の信頼性保持を実現する。 その結果、信頼性、正確性、実行時間、エネルギー消費を共同で最適化することで、安全クリティカルなエッジAIアプリケーションのための動的ハイブリッドSNN-ANNシステムのより信頼性の高いデプロイが可能になることが示された。

関連論文リスト

• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  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のコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• AS-FedBridge: Pseudo-Spike Bridge Distillation for Heterogeneous ANN-SNN Federated Learning [56.2943018570345]
  従来のニューラルネットワーク(ANN)の代替として、スパイキングニューラルネットワーク(SNN)が登場した。 混合ANN-SNNクライアントに適した新しいフェデレート学習フレームワークであるAS-FedBridgeを提案する。
  論文  参考訳（メタデータ） (2026-08-04T08:32:30Z)
• Burst Spiking Neural Networks [48.73525332410879]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)の低消費電力代替を目指す 既存のSNNメソッドは堅牢性を損なう。 本稿では,Burst-enhanced Spiking Neurons (BSN) と Dynamic Weight Constraint (DWC) を用いたBurst Spiking Neural Networks (BuSNN) を提案する。
  論文  参考訳（メタデータ） (2026-07-05T09:27:17Z)
• Spiking Neural Networks: The Future of Brain-Inspired Computing [0.0]
  Spiking Neural Networks(SNN)は、ニューラルネットワークの最新世代のモデルである。 SNNは異なるスパイクイベントを使用して動作し、本質的にエネルギー効率が良く、時間的に動的である。 本研究では,SNN設計モデル,トレーニングアルゴリズム,多次元性能指標の包括的解析を行う。
  論文  参考訳（メタデータ） (2025-10-31T11:14:59Z)
• 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)
• Efficient Event-Based Object Detection: A Hybrid Neural Network with Spatial and Temporal Attention [2.5075774828443467]
  ニューロモルフィックハードウェア上のスパイキングニューラルネットワーク(SNN)は、エネルギー効率と低レイテンシのイベントベースのデータ処理のためにしばしば考慮される。 本稿では、イベントベースオブジェクト検出のためのアテンションベースのHybrid SNN-ANNバックボーンを紹介する。
  論文  参考訳（メタデータ） (2024-03-15T10:28:31Z)
• A Hybrid ANN-SNN Architecture for Low-Power and Low-Latency Visual Perception [27.144985031646932]
  Spiking Neural Networks(SNN)は、バイオインスパイアされたニューラルネットワークの一種で、エッジデバイスに低消費電力で低レイテンシな推論をもたらすことを約束する。 イベントベース2Dおよび3Dヒューマンポーズ推定の課題について,本手法では,ANNに比べて性能を4%低下させることなく,88%の消費電力を消費することを示した。
  論文  参考訳（メタデータ） (2023-03-24T17:38:45Z)
• DeepAxe: A Framework for Exploration of Approximation and Reliability Trade-offs in DNN Accelerators [0.9556128246747769]
  安全クリティカルなアプリケーションにおけるディープニューラルネットワーク(DNN)の役割は拡大している。 DNNは計算能力の面で大きく成長している。 これは、DNNアクセラレーターの信頼性を向上させる必要性を高める。
  論文  参考訳（メタデータ） (2023-03-14T20:42:38Z)
• Fault-Aware Design and Training to Enhance DNNs Reliability with Zero-Overhead [67.87678914831477]
  ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。 最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。 本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
  論文  参考訳（メタデータ） (2022-05-28T13:09:30Z)

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。