論文の概要: SpikeLite: Lightweight Spiking Neural Networks for Time-Series Forecasting
- arxiv url: http://arxiv.org/abs/2609.35097v1
- Date: Mon, 28 Sep 2026 13:09:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 16:58:59.417241
- Title: SpikeLite: Lightweight Spiking Neural Networks for Time-Series Forecasting
- Title（参考訳）: SpikeLite: 時系列予測のための軽量スパイクニューラルネットワーク
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、スパイク駆動計算による時系列予測にエネルギー効率のよいパラダイムを提供する。
時間符号化のための周波数選択スパイキング(FSSE)と選択的チャネル間通信のためのスパーススパイキングチャネル注意(SSCA)モジュールの2つのモジュールを中心に構築されたフレームワークであるSpikeLiteを紹介する。
SpikeLiteは、R2$が0.790ドル、RSEが0.440ドル、MSE/MAEが0.343/0.345ドルである。
- 参考スコア（独自算出の注目度）: 23.722652350788525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spiking neural networks (SNNs) offer an energy-efficient paradigm for time-series forecasting through spike-driven computation. However, recent SNN forecasters often pursue higher accuracy through increasingly complex attention mechanisms, or specialized neuronal dynamics, weakening the lightweight motivation of SNNs. We introduce SpikeLite, a spiking forecasting framework built around two modules: a Frequency-Selective Spiking Encoder (FSSE) for frequency-sensitive temporal encoding and a Sparse Spiking Channel Attention (SSCA) module for selective cross-channel interaction. FSSE exploits the low-pass filtering behavior of LIF dynamics to reorganize each input sequence into frequency-sensitive components while collectively preserving the input at the decomposition stage. SSCA then learns a binary mask from encoded channel representations and uses it to selectively exchange information within spike-driven self-attention, retaining informative cross-channel interactions while suppressing redundant ones. When explicit channel interaction is unnecessary, SpikeLite uses the lighter FSSE-only channel-independent path. Experiments under the SeqSNN and SpikF protocols cover four standard multivariate and eight long-term forecasting benchmarks. SpikeLite achieves the best aggregate performance under both protocols, with an average $R^2$ of 0.790 and RSE of 0.440, and lowest average MSE/MAE of 0.343/0.345 in long-term forecasting. Moreover, evaluation on the ECL dataset shows that SpikeLite achieves the lowest reported energy consumption, further demonstrating its potential for energy-efficient time-series forecasting.
- Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、スパイク駆動計算による時系列予測にエネルギー効率のよいパラダイムを提供する。
しかし、近年のSNN予測器は、より複雑な注意機構、あるいは専門的な神経力学を通じて高い精度を追求し、SNNの軽量なモチベーションを弱めている。
周波数-選択スパイキングエンコーダ(FSSE)とスパーススパイキングチャネルアテンション(SSCA)モジュールの2つのモジュールを中心に構築されたスパイキング予測フレームワークであるSpikeLiteを紹介する。
FSSEは、LIFダイナミクスの低パスフィルタリング挙動を利用して、各入力シーケンスを周波数感受性成分に再編成し、分解段階の入力を集合的に保存する。
次に、SSCAは符号化されたチャネル表現からバイナリマスクを学習し、スパイク駆動の自己アテンション内で情報を選択的に交換するために使用し、冗長な表現を抑えながら、情報的なチャネル間相互作用を保持する。
明示的なチャネル相互作用が不要な場合、SpikeLiteはより軽量なFSSEのみのチャネル非依存パスを使用する。
SeqSNNとSpikFプロトコルによる実験では、4つの標準マルチ変数と8つの長期予測ベンチマークがカバーされている。
SpikeLiteは、R^2$が0.790、RSEが0.440、MSE/MAEが0.343/0.345である。
ECLデータセットの評価は、SpikeLiteが最も低エネルギー消費を達成したことを示し、エネルギー効率のよい時系列予測の可能性を示している。
関連論文リスト
- QuantaSpike: Short-Window Spike-Driven Quantization for Large Language Models [20.175709977291586]
大規模言語モデル (LLM) は、多くのタスクにわたって高い性能を達成するが、推論中に密度の高い乗算累積 (MAC) 演算に依存する。
我々は,対数三元積分系を中心に構築されたLLMのための短ウィンドウスパイク駆動量子化フレームワークQuantaSpikeを提案する。
論文 参考訳（メタデータ） (2026-09-28T04:03:17Z) - SpikF-GO: Spiking Fourier Graph Operators for Multivariate Time Series Forecasting [7.728582341572231]
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エネルギー効率の高い代替手段として登場した。
時系列予測のためのスパイキングフーリエグラフ演算子(SpikF-GO)を提案する。
本稿では,Central Pattern Generatorをベースとした位置エンコーディングを組み込んで,より強力な長期時間モデルを提案する。
論文 参考訳（メタデータ） (2026-06-11T20:48:38Z) - ChannelKAN: Multi-Scale Dual-Domain Channel Prediction via Hybrid CNN-KAN Architecture [16.236145234205036]
既存のディープラーニング手法は、短期的な局所的変動と長距離の非線形依存を共同で捉えるのに苦労している。
マルチスケール周波数領域情報拡張を用いたハイブリッドCNN-KANチャネル予測モデルであるChannelKANを提案する。
実験により、ChannelKANは、正規化平均二乗誤差(NMSE)、スペクトル効率(SE)、ビット誤り率(BER)において、RNN LSTM、GRU、CNN、Transformerのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-11T07:58:51Z) - Spectral Dynamic Attention Network for Hyperspectral Image Super-Resolution [45.72534786125302]
Spectral Dynamic Attention Network (SDANet)は、冗長なスペクトル相互作用を適応的に抑制するフレームワークである。
競争効率を維持しつつ、最先端のHISR性能を達成する。
論文 参考訳（メタデータ） (2026-04-30T02:13:33Z) - Spike-driven Large Language Model [49.52947423982696]
スパイキングニューラルネットワーク(SNN)はスパイク駆動特性を持つ。
現在のLarge Language Models (LLM) は主に大規模密度行列乗法に基づいている。
本研究では,スパース加算操作により高密度行列乗算を除去するスパイク駆動型大規模言語モデルであるSDLLMを提案する。
論文 参考訳（メタデータ） (2026-04-11T17:58:35Z) - Kirin: Improving ANN efficiency with SNN Hybridization [18.963480523099694]
スパイキングニューラルネットワーク(SNN)は、そのバイナリおよびイベント駆動特性により、例外的なエネルギー効率を示す。
本稿では,低ビット幅パラメータを2進スパイクに符号化し,残りを整数形式で保存するSpike Matrix Hybridization法を提案する。
W4A4&8量子化設定の下で、キリンはエネルギー消費を84.66%削減し、時間歩を93.75%短縮しながらほぼFP16精度を達成する。
論文 参考訳（メタデータ） (2026-02-09T15:53:26Z) - SpikeMatch: Semi-Supervised Learning with Temporal Dynamics of Spiking Neural Networks [41.95668636094724]
SpikeMatchは、スパイキングニューラルネットワーク(SNN)のための、最初の半教師付き学習フレームワークである。
SpikeMatchは、弱い拡張された未ラベルのサンプルから信頼できる擬似ラベルを生成し、強化されたサンプルでトレーニングする。
実験によると、SpikeMatchは、SNNバックボーンに適合する既存のSSLメソッドを、さまざまな標準ベンチマークで上回っている。
論文 参考訳（メタデータ） (2025-09-26T17:01:21Z) - SNNSIR: A Simple Spiking Neural Network for Stereo Image Restoration [46.28078168687418]
スパイキングニューラルネットワーク(SNN)は高い計算効率と低エネルギー消費を提供する。
ステレオ画像復元のための単純なスパイキングニューラルネットワークであるSNNSIRを提案する。
本モデルは,計算オーバーヘッドを著しく低減しつつ,競争力のある復元性能を実現する。
論文 参考訳（メタデータ） (2025-08-17T07:38:25Z) - IML-Spikeformer: Input-aware Multi-Level Spiking Transformer for Speech Processing [38.632763514823864]
IML-Spikeformerは大規模音声処理用に設計されたスパイクトランスフォーマーアーキテクチャである。
IML-SpikeformerはAiShell-1では6.0%、Libri-960では3.4%というワードエラー率を達成した。
論文 参考訳（メタデータ） (2025-07-10T03:26:24Z) - Knowing When to Stop: Delay-Adaptive Spiking Neural Network Classifiers with Reliability Guarantees [36.14499894307206]
スパイキングニューラルネットワーク(SNN)は、内部イベント駆動型ニューラルネットワークを通じて時系列データを処理する。
本稿では,入力依存停止時に発生する決定に対して,信頼性を保証する新しい遅延適応型SNNベースの推論手法を提案する。
論文 参考訳（メタデータ） (2023-05-18T22:11:04Z)
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。