論文の概要: Saliency-Guided Replay for Continual Learning in Deep Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2610.17998v1
• Date: Tue, 13 Oct 2026 08:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.566884
• Title: Saliency-Guided Replay for Continual Learning in Deep Spiking Neural Networks
• Title（参考訳）: ディープスパイクニューラルネットワークにおける連続学習のためのサリエンシ誘導リプレイ
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューロモルフィックコンピューティングを約束するが、タスクを逐次学習する際に破滅的な忘れに苦しむ。 本研究では,低レイテンシ制約下での深層SNNのメモリ効率向上のための連続学習戦略として,経験パッケージング・リプレイ(EPR)の統合について検討する。
• 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: Spiking Neural Networks (SNNs) are promising for energy-efficient neuromorphic computing, but they still suffer from catastrophic forgetting when learning tasks sequentially. This work investigates the integration of Experience Packing and Replay (EPR) as a memory-efficient continual learning strategy for deep SNNs under low-latency constraints. The proposed framework combines Batch Normalization Through Time stabilized VGG9 SNNs with Spike Activation Maps (SAM), which provide forward-only explanations based on spike activity. These explanations are temporally aggregated into spatial attention maps and used to select the most informative image patches for replay, instead of storing full images. Experiments on Split CIFAR10 and Split CIFAR100 show that SAM-guided EPR improves the accuracy-memory trade-off under tight memory budgets, and remains competitive while requiring substantially less storage.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューロモルフィックコンピューティングを約束するが、タスクを逐次学習する際に破滅的な忘れに苦しむ。 本研究では,低レイテンシ制約下での深層SNNのメモリ効率向上のための連続学習戦略として,経験パッケージング・リプレイ(EPR)の統合について検討する。 提案するフレームワークは、時間を通して安定化されたVGG9 SNNとSpike Activation Maps(SAM)を組み合わせることで、スパイクアクティビティに基づいた前方のみの説明を提供する。 これらの説明は空間的注意マップに時間的に集約され、完全な画像を保存するのではなく、リプレイのための最も情報に富んだイメージパッチを選択するために使用される。 Split CIFAR10 と Split CIFAR100 の実験では、SAM誘導型 EPR はメモリの厳しい予算下での精度とメモリのトレードオフを改善し、ストレージを大幅に削減しながら競争力を維持している。

関連論文リスト

• Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
  本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。 効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。 実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2023-07-20T16:00:19Z)
• Recurrence-in-Recurrence Networks for Video Deblurring [58.49075799159015]
  最先端のビデオデブロアリング法は、しばしばフレーム間の時間的依存性をモデル化するために、リカレントニューラルネットワークを採用する。 本稿では,短距離メモリの限界に対処する再帰型ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-03-12T11:58:13Z)
• Learning Bayesian Sparse Networks with Full Experience Replay for Continual Learning [54.7584721943286]
  継続学習(CL)手法は、機械学習モデルが、以前にマスターされたタスクを壊滅的に忘れることなく、新しいタスクを学習できるようにすることを目的としている。 既存のCLアプローチは、しばしば、事前に確認されたサンプルのバッファを保持し、知識蒸留を行い、あるいはこの目標に向けて正規化技術を使用する。 我々は,現在および過去のタスクを任意の段階で学習するために,スパースニューロンのみを活性化し,選択することを提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:25:03Z)

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。