論文の概要: Latency and accuracy tradeoffs in Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2609.35260v1
• Date: Mon, 28 Sep 2026 14:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 07:10:59.474853
• Title: Latency and accuracy tradeoffs in Spiking Neural Networks
• Title（参考訳）: スパイキングニューラルネットワークにおけるレイテンシと精度のトレードオフ
• Abstract要約: スパイクニューラルネットワークは低消費電力の音声コマンド認識には魅力的である。 遅延はエネルギー効率よりもはるかに少ない。 本稿では,より局所的な時間経過がネットワーク遅延を増大させるという仮定に挑戦する。
• 参考スコア（独自算出の注目度）: 11.741095973593575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking neural networks are attractive for low-power speech command recognition, yet their latency has received far less attention than their energy efficiency, and their multi-timestep execution is widely assumed to make them slower than quantized neural networks. This paper challenges the assumption that more local timesteps necessarily imply higher network latency. By overlapping computation across adjacent layers at the timestep level, SNNs may complete execution in less time than comparable bit-serial QNNs. However, this overlap relies on spikes firing on incomplete inputs, and a spike once generated cannot be withdrawn, so its error persists and reduces accuracy. Waiting for more input before firing would seem to improve accuracy at the cost of reduced overlap. Yet we find and prove that this intuition fails at some layers, where even a small increase in waiting can change spike timing and downstream computation, making the network both slower and less accurate. We therefore propose a Pipeline Delay Search method which selects each layer's delay by balancing task-level accuracy gains against added network latency. We then adapt the selected configurations through spike-based quantization-aware training and bounded tuning of firing thresholds and initial membrane potentials. Together, these steps form Falcon, a framework for Fine-grained Analysis of Latency and Controlled firing which systematically analyzes and optimizes SNN latency under a spatial analog compute-in-memory mapping with shared digital engines. We evaluate Falcon on GSCV2 and SSC, achieving competitive accuracies of 96.31 and 83.02 at modeled network-core latencies of 119.64 and 124.00us, respectively. Together, our analysis and results show that SNNs can compute more yet finish faster, and wait longer yet predict worse, highlighting why Falcon matters for both latency and accuracy.
• Abstract（参考訳）: スパイクニューラルネットワークは低消費電力の音声コマンド認識には魅力的なものだが、そのレイテンシはエネルギー効率よりもはるかに低い注目を受けており、そのマルチステップの実行は量子化されたニューラルネットワークよりも遅くなると広く想定されている。 本稿では,より局所的な時間経過がネットワーク遅延を増大させるという仮定に挑戦する。 時間ステップレベルで隣接する層にオーバーラップした計算により、SNNは同等のビットシリアルQNNよりも少ない時間で実行を完了できる。 しかし、この重なり合いは不完全な入力に対して発火するスパイクに依存しており、一度発生したスパイクは取り外せないため、エラーは持続し、精度を低下させる。 発射前により多くの入力を待つことは、オーバーラップを減らすコストで精度を向上させるように思われる。 しかし、この直観がいくつかの層で失敗し、待ち時間が少なくてもスパイクタイミングや下流の計算が変化し、ネットワークが遅くて正確でないことを発見した。 そこで我々は,タスクレベルの精度向上と追加のネットワーク遅延とのバランスをとることで,各レイヤの遅延を選択するパイプライン遅延探索手法を提案する。 次に、スパイクに基づく量子化学習と、発射しきい値と初期膜電位の有界チューニングにより、選択した構成に適応する。 これらのステップは、共有ディジタルエンジンによる空間的アナログ計算-メモリマッピングの下で、SNNレイテンシを体系的に解析し、最適化する、レイテンシと制御された発射のきめ細かい分析のためのフレームワークであるFalconを形成する。 我々は,GSCV2 と SSC 上でFalcon の評価を行い,ネットワークコアの119.64 と 124.00us で,96.31 と 83.02 の競合精度をそれぞれ達成した。 分析と結果から、SNNがより高速に計算を完了し、より長く待たされ、さらに悪化する可能性があることが示され、Falconがレイテンシと正確性の両方に重要な理由が浮かび上がっています。

関連論文リスト

• Sparse Axonal and Dendritic Delays Enable Competitive SNNs for Keyword Classification [5.928605435529651]
  スパイキングニューラルネットワーク(SNN)のトレーニング伝達遅延は、複雑な時間的タスクにおける性能を大幅に改善することが示されている。 本研究では, 軸索的あるいは樹状的遅延の学習により, 既存のシナプス的遅延学習手法と同等の精度で, フィードフォワードSNNに到達できることを示す。
  論文  参考訳（メタデータ） (2026-02-10T12:57:02Z)
• Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks [87.16809558673403]
  スパイキングニューラルネットワーク(SNN)は離散スパイクで計算し、時間構造を利用する。 イベント駆動SNNにおけるスパイク数と振幅を保存しながら、既存のスパイクを繰り返すタイミングのみの敵について検討する。
  論文  参考訳（メタデータ） (2026-02-03T09:06:53Z)
• Efficient Event-based Delay Learning in Spiking Neural Networks [0.1350479308585481]
  スパイキングニューラルネットワーク(SNN)はスパース通信を用いて計算し、注目を集めている。 本研究では,イベントプロップ形式を基礎とした,遅延を伴うSNNのための新しいイベントベーストレーニング手法を提案する。 提案手法はニューロン毎の複数のスパイクをサポートし,我々の知る限り,繰り返しSNNに適用される最初の遅延学習アルゴリズムである。
  論文  参考訳（メタデータ） (2025-01-13T13:44:34Z)
• Learning Delays in Spiking Neural Networks using Dilated Convolutions with Learnable Spacings [1.534667887016089]
  スパイキングニューラルネットワーク(SNN)は、電力効率の高い情報処理システムを構築する上で有望な研究方向である。 SNNでは、1つのスパイクが1つのニューロンから別のニューロンに移動するのに必要な時間を指す。 塑性遅延がSNNの表現性を大幅に向上させることが理論的に示されている。 本稿では,この問題をバックプロパゲーションを用いたディープフィードフォワードSNNで処理する離散時間アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-30T14:01:53Z)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  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に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• FATNN: Fast and Accurate Ternary Neural Networks [89.07796377047619]
  Ternary Neural Networks (TNN) は、完全な精度のニューラルネットワークよりもはるかに高速で、電力効率が高いため、多くの注目を集めている。 そこで本研究では、3次内積の計算複雑性を2。 性能ギャップを軽減するために,実装に依存した3次量子化アルゴリズムを精巧に設計する。
  論文  参考訳（メタデータ） (2020-08-12T04:26:18Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)

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。