Fugu-MT 論文翻訳(概要): Spiking Neural Network Predicting Sequence of the External Worlds States in Model-Based Reinforcement Learning

論文の概要: Spiking Neural Network Predicting Sequence of the External Worlds States in Model-Based Reinforcement Learning

arxiv url: http://arxiv.org/abs/2609.27459v1
Date: Wed, 23 Sep 2026 07:26:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 00:05:17.930739
Title: Spiking Neural Network Predicting Sequence of the External Worlds States in Model-Based Reinforcement Learning
Title（参考訳）: モデルベース強化学習における外界状態の順序を予測するスパイキングニューラルネットワーク
Abstract要約: 本稿では、現在の世界状態から始まる外界状態のシーケンスを予測するために設計されたスパイクニューラルネットワーク(SNN)を提案する。これは次の世界状態を予測するために訓練されたSNNを取り入れ、予測された世界状態の連鎖を作るために必要なすべてのメカニズムを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper presents a spiking neural network (SNN) designed to predict the sequence of the external world states starting from the current world state. This SNN does not create the world dynamics model - instead it incorporates the SNN trained to predict the next world state and provides all mechanisms necessary to make the chain of predicted world states. These mechanisms are entirely spiking - they are implemented as spiking neuron ensembles. The present article describes this neuronal structure and tests its operation on a classic RL benchmark - ATARI ping-pong.
Abstract（参考訳）: 本稿では、現在の世界状態から始まる外界状態のシーケンスを予測するために設計されたスパイクニューラルネットワーク(SNN)を提案する。このSNNは、次の世界の状態を予測するために訓練されたSNNを取り入れ、予測された世界の状態の連鎖を作るために必要なすべてのメカニズムを提供する。これらのメカニズムは完全にスパイクしており、スパイクニューロンのアンサンブルとして実装されている。本稿では、この神経構造を記述し、古典的なRLベンチマークATARI ping-pongでその動作をテストする。

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)
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)
Revisiting Reset Mechanisms in Spiking Neural Networks for Sequential Modeling: Specialized Discretization for Binary Activated RNN [0.0]
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)に匹敵する性能を達成した本稿では、SNNを逐次モデリングタスクのためのバイナリアクティベート・リカレントニューラルネットワーク(RNN)とみなす別の視点に焦点を当てる。
論文参考訳（メタデータ） (2025-04-24T17:09:59Z)
P-SpikeSSM: Harnessing Probabilistic Spiking State Space Models for Long-Range Dependency Tasks [1.9775291915550175]
スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワークに代わる計算効率が高く生物学的に妥当な代替品として提案されている。長距離依存タスクのためのスケーラブルな確率的スパイク学習フレームワークを開発した。我々のモデルは、様々な長距離依存タスクにまたがるSNNモデル間の最先端性能を実現する。
論文参考訳（メタデータ） (2024-06-05T04:23:11Z)
SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence [51.6943465041708]
スパイキングニューラルネットワーク(SNN)は、高エネルギー効率のニューロモルフィックチップに脳にインスパイアされたインテリジェンスを実現することを目的としている。我々は、ニューロモルフィックデータセットの事前処理、深層SNNの構築、パラメータの最適化、およびニューロモルフィックチップへのSNNのデプロイのためのフルスタックツールキットをコントリビュートする。
論文参考訳（メタデータ） (2023-10-25T13:15:17Z)
A Spiking Neural Network Learning Markov Chain [0.0]
私は、先験状態遷移確率が未知のマルコフ連鎖として世界力学を定式化する。私はそれを連続時間で解いたので、マルコフ連鎖のすべての状態の持続時間が異なる可能性があり、未知である。特別に設計された構造と局所的なシナプス可塑性規則を持つSNNによって、このタスクがどのように達成できるかを実証した。
論文参考訳（メタデータ） (2022-09-20T09:31:01Z)
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)
Neural Networks with Recurrent Generative Feedback [61.90658210112138]
畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
論文参考訳（メタデータ） (2020-07-17T19:32:48Z)
Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文参考訳（メタデータ） (2020-07-03T01:37:16Z)

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。