Fugu-MT 論文翻訳(概要): Energy-Efficient Spiking Neural Networks for Sensing-Aided Beam Prediction

論文の概要: Energy-Efficient Spiking Neural Networks for Sensing-Aided Beam Prediction

arxiv url: http://arxiv.org/abs/2610.12507v1
Date: Tue, 06 Oct 2026 08:13:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:06:29.210675
Title: Energy-Efficient Spiking Neural Networks for Sensing-Aided Beam Prediction
Title（参考訳）: センシング支援ビーム予測のためのエネルギー効率の良いスパイクニューラルネットワーク
Abstract要約: 我々は,センサ支援ビーム予測のためのエネルギー効率のよいスパイクニューラルネットワーク(SNN)を開発した。コンパクトなANNは、位置のみのセンシングにおいて、SNNよりも一貫して優れていることを示す。視覚とマルチモーダルセンシングでは、SNNは同様のエネルギーコストでANNよりも精度が高い。
参考スコア（独自算出の注目度）: 18.61181918040955
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Sensing-aided beam prediction can reduce the beam-training overhead of millimeter-wave (mmWave) systems by leveraging environmental information from complementary modalities such as vision and position. However, the resulting sensing and inference pipeline can be energy-intensive, motivating the use of energy-efficient spiking neural networks (SNNs) as an alternative to conventional artificial neural networks (ANNs). In this work, we develop SNN architectures for beam prediction and systematically compare them with ANNs using position-only, vision-only, and multimodal inputs. Our results show that compact ANNs consistently outperform SNNs for position-only sensing. In contrast, for vision and multimodal sensing, SNNs achieve higher accuracy than ANNs at similar energy costs and require up to an order of magnitude less energy at a comparable accuracy. For example, the multimodal SNN achieves 58.08% top-1 accuracy, outperforming the closest-energy ANN by 18.11 percentage points. We further show that SNN accuracy is limited by the binary communication between layers rather than by model size. These results demonstrate the potential of SNNs for energy-efficient sensing-aided beam prediction while highlighting their accuracy limitation.
Abstract（参考訳）: センシング支援ビーム予測は、視覚や位置などの相補的なモードからの環境情報を活用することにより、ミリ波(mmWave)システムのビームトレーニングオーバーヘッドを低減することができる。しかし、結果として得られる知覚と推論パイプラインはエネルギー集約的であり、従来の人工ニューラルネットワーク(ANN)に代わるエネルギー効率のよいスパイクニューラルネットワーク(SNN)の使用を動機付けている。本研究では,ビーム予測のためのSNNアーキテクチャを開発し,位置のみ,視覚のみ,マルチモーダル入力を用いてANNと体系的に比較する。以上の結果から,コンパクトなANNは位置のみのセンシングにおいてSNNよりも優れていた。対照的に、視覚とマルチモーダルセンシングでは、SNNは同様のエネルギーコストでANNよりも高い精度を達成し、同等の精度で最大でエネルギーを極力少なくする必要がある。例えば、マルチモーダルSNNは58.08%のトップ1の精度を達成し、最も近いエネルギーのANNを18.11ポイント上回っている。さらに,SNNの精度はモデルサイズではなく層間のバイナリ通信によって制限されていることを示す。これらの結果は、SNNがエネルギー効率の高いセンシング支援ビーム予測に有効であることを示し、精度の限界を強調した。

関連論文リスト

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)
Efficient Eye-based Emotion Recognition via Neural Architecture Search of Time-to-First-Spike-Coded Spiking Neural Networks [52.617096567601344]
Time-to-first-Spike (TTFS)で符号化されたスパイクニューラルネットワーク(SNN)は、アイベースの感情認識に有望なソリューションを提供する。 TTFS-ERは、目に基づく感情認識のためにTTFS SNN用に設計された最初のニューラルネットワーク検索フレームワークである。ニューロモルフィックハードウェア上に展開すると、TNAS-ERは48ミリ秒の低レイテンシと0.05Jのエネルギー消費を達成する。
論文参考訳（メタデータ） (2025-12-02T06:35:49Z)
NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
論文参考訳（メタデータ） (2024-08-28T02:17:58Z)
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)
Attention Spiking Neural Networks [32.591900260554326]
スパイキングニューラルネットワーク(SNN)における注意機構の効果について検討する。エンド・ツー・エンドのトレーニングを施した新しいSNNアーキテクチャ"MA-SNN"を提案する。イベントベースDVS128ジェスチャー/歩行動作認識とImageNet-1k画像分類で実験を行った。
論文参考訳（メタデータ） (2022-09-28T09:00:45Z)
tinySNN: Towards Memory- and Energy-Efficient Spiking Neural Networks [14.916996986290902]
スパイキングニューラルネットワーク(SNN)モデルは、高い精度を提供できるため、一般的に好適である。しかし、資源とエネルギーを制約した組込みプラットフォームにそのようなモデルを適用することは非効率である。本稿では,SNN処理のメモリおよびエネルギー要求を最適化する小型SNNフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-17T09:40:40Z)
Can Deep Neural Networks be Converted to Ultra Low-Latency Spiking Neural Networks? [3.2108350580418166]
スパイクニューラルネットワーク(SNN)は、時間とともに分散されたバイナリスパイクを介して動作する。 SNNのためのSOTAトレーニング戦略は、非スパイキングディープニューラルネットワーク(DNN)からの変換を伴うそこで本研究では,DNNと変換SNNの誤差を最小限に抑えながら,これらの分布を正確にキャプチャする新たなトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-22T18:47:45Z)
Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-12-06T23:45:58Z)
DTNN: Energy-efficient Inference with Dendrite Tree Inspired Neural Networks for Edge Vision Applications [2.1800759000607024]
本稿では,活性化量子化によって実現されたテーブルルックアップ操作を用いたエネルギー効率の高い推論のためのDendrite-Tree-based Neural Network (DTNN)を提案する。 DTNNはResNet-18とVGG-11でそれぞれ19.4Xと64.9Xの大幅な省エネを実現した。
論文参考訳（メタデータ） (2021-05-25T11:44:12Z)
SiamSNN: Siamese Spiking Neural Networks for Energy-Efficient Object Tracking [20.595208488431766]
SiamSNNは、視覚オブジェクト追跡ベンチマークであるTB2013, VOT2016, GOT-10kにおいて、短いレイテンシと低い精度の損失を達成する最初のディープSNNトラッカーである。 SiamSNNは、ニューロモルフィックチップTrueNorth上で低エネルギー消費とリアルタイムを実現する。
論文参考訳（メタデータ） (2020-03-17T08:49:51Z)

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。