論文の概要: Multi-Depth Temporal Fusion for Feedforward, Locally Trained Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2609.37047v2
• Date: Wed, 30 Sep 2026 08:17:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.211918
• Title: Multi-Depth Temporal Fusion for Feedforward, Locally Trained Spiking Neural Networks
• Title（参考訳）: フィードフォワード型局所学習型スパイクニューラルネットワークのための多次元時間核融合
• Abstract要約: 本稿では、TTFS(Time-to-first-Spike)レイテンシを用いて、静的画像とイベントストリームを処理するための新しいスパイクニューラルネットワーク(SNN)の設計を提案する。 得られたアーキテクチャは、MNIST、Fashion-MNIST、CIFAR-10、N-MNISTで実験的に検証されている。 活動予算分析により、遅延または弱いスパイク事象を除去してもネットワークは高い精度を維持していることが示された。
• 参考スコア（独自算出の注目度）: 2.8365667468538116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new spiking neural network (SNN) design to process static images and event streams using time-to-first-spike (TTFS) latencies. Our key research question is which architectural choices best accommodate local and online learning in multi-layer convolutional SNNs. This question is addressed via an original framework combining residual-like connections with multi-depth feature aggregation and consensus. The full SNN pipeline features an early-vision front end, to convert raw visual data into sparse spike latencies, a four-layer convolutional backbone trained layerwise with unsupervised spike-timing-dependent plasticity (STDP), a deterministic Multi-Depth Temporal Fusion (MDTF) and a final classifier trained with reward-modulated spike-timing-dependent plasticity (R-STDP). Rather than replacing early features in deeper layers, the proposed MDTF preserves early temporal evidence, adding sparse residual events from intermediate layers, and incorporating deeper features only when they agree in time with earlier representations. The resulting architecture is experimentally validated across MNIST, Fashion-MNIST, CIFAR-10, and N-MNIST, delivering strong classification performance under a fully local learning regime. Selective multi-depth fusion significantly outperforms traditional STDP/R-STDP baselines on higher-variability visual tasks (achieving +18.2 pp on Fashion-MNIST and +29.2 pp on CIFAR-10). Furthermore, activity-budget analyses show that the network retains high accuracy even when removing a large fraction of late or weak spike events, confirming its high data efficiency and reduced event-processing requirements. The codebase is publicly available at github.com/aidinattar/multi-depth-temporal-fusion-snn.
• Abstract（参考訳）: 本稿では、TTFS(Time-to-first-Spike)レイテンシを用いて、静的画像とイベントストリームを処理するための新しいスパイクニューラルネットワーク(SNN)の設計を提案する。 我々の重要な研究課題は、多層畳み込みSNNにおいて、どのアーキテクチャ選択がローカルおよびオンライン学習に最も適しているかである。 この問題は、残差のような接続と多層機能アグリゲーションとコンセンサスを組み合わせたオリジナルのフレームワークによって解決される。 完全なSNNパイプラインは、生の視覚データをスパーススパイクレイテンシ(sparse spike latencies)に変換するために、階層的にトレーニングされた4層畳み込みバックボーン、教師なしスパイクタイピング依存の可塑性(STDP)、決定論的マルチディープステンポラルフュージョン(MDTF)、報酬変調スパイクタイピング依存の可塑性(R-STDP)でトレーニングされた最終分類器を備える。 提案したMDTFは、より深い層における初期の特徴を置き換えるのではなく、初期の時間的証拠を保存し、中間層から疎い残留イベントを追加し、より深い特徴を以前の表現と一致する場合にのみ組み込む。 得られたアーキテクチャは、MNIST、Fashion-MNIST、CIFAR-10、N-MNISTで実験的に検証され、完全に局所的な学習体制の下で強力な分類性能を提供する。 選択的な多深度核融合は、従来のSTDP/R-STDPベースラインの高可変性視覚タスク(Fashion-MNISTで+18.2pp、CIFAR-10で+29.2pp)を著しく上回っている。 さらに、活動予算分析により、遅延または弱いスパイクイベントを大量に削除してもネットワークは高い精度を維持し、高いデータ効率とイベント処理要求の低減を確認している。 コードベースはgithub.com/aidinattar/multi-depth-temporal-fusion-snnで公開されている。

関連論文リスト

• Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
  我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。 コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
  論文  参考訳（メタデータ） (2026-04-28T19:21:21Z)
• Brain-Inspired Multimodal Spiking Neural Network for Image-Text Retrieval [79.04396446873932]
  スパイキングニューラルネットワーク(SNN)は、最近、視覚的タスクとテキストタスクに強い可能性を示している。 画像テキスト検索(ITR)のようなマルチモーダルアプリケーションのための直接訓練され、低エネルギーで高性能なSNNを構築することは、依然として非常に困難である。 我々は脳にインスパイアされたクロスモーダルスパイク・フュージョン・ネットワーク(CMSF)を提案し、初めてITRに適用した。
  論文  参考訳（メタデータ） (2026-03-25T08:41:07Z)
• ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
  ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。 本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。 我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
  論文  参考訳（メタデータ） (2026-02-09T18:54:18Z)
• PredNext: Explicit Cross-View Temporal Prediction for Unsupervised Learning in Spiking Neural Networks [70.1286354746363]
  Spiking Neural Networks (SNN)は、教師なし表現学習のための自然なプラットフォームを提供する。 現在の監視されていないSNNは、浅いアーキテクチャや局所的な可塑性ルールを採用しており、長期の時間的依存関係をモデル化する能力を制限する。 我々は,横断的なステップ予測とクリップ予測を通じて時間的関係を明示的にモデル化するPredNextを提案する。
  論文  参考訳（メタデータ） (2025-09-29T14:27:58Z)
• SpikeSTAG: Spatial-Temporal Forecasting via GNN-SNN Collaboration [16.754715227269525]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークなアプローチを提供する。 本稿では,グラフ構造学習とスパイクに基づく時間的処理をシームレスに統合する,新しいSNNアーキテクチャを提案する。 実験の結果、我々のモデルはすべてのデータセットで最先端のSNNベースのiSpikformerを上回ることがわかった。
  論文  参考訳（メタデータ） (2025-08-04T05:17:52Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Message Propagation Through Time: An Algorithm for Sequence Dependency Retention in Time Series Modeling [14.49997340857179]
  本稿では,時系列モデリングのためのMPTT(Message Propagation Through Time)アルゴリズムを提案する。 MPTTは、ステートフルなソリューションと比較して、より高速なトレーニング時間を保ちながら、長時間の時間的依存を取り入れている。 実験の結果,MPTTは4つの気候データセットにおいて7つの戦略より優れていた。
  論文  参考訳（メタデータ） (2023-09-28T22:38:18Z)
• MTS2Graph: Interpretable Multivariate Time Series Classification with Temporal Evolving Graphs [1.1756822700775666]
  入力代表パターンを抽出・クラスタリングすることで時系列データを解釈する新しいフレームワークを提案する。 UCR/UEAアーカイブの8つのデータセットとHARとPAMデータセットで実験を行います。
  論文  参考訳（メタデータ） (2023-06-06T16:24:27Z)
• HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
  本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。 過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。 このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
  論文  参考訳（メタデータ） (2020-08-17T23:39:33Z)
• Depth Enables Long-Term Memory for Recurrent Neural Networks [0.0]
  本稿では,スタートエンド分離ランク(Start-End separation rank)と呼ばれる時間的情報フローを支援するネットワークの能力を評価する。 より深い再帰的ネットワークは、浅いネットワークで支えられるものよりも高いスタートエンド分離ランクをサポートすることを証明している。
  論文  参考訳（メタデータ） (2020-03-23T10:29:14Z)

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。