論文の概要: A Time-Variant Spiking Neuron from a Unified State-Dynamics Perspective

• arxiv url: http://arxiv.org/abs/2610.23981v1
• Date: Wed, 14 Oct 2026 06:24:18 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:42:05.209103
• Title: A Time-Variant Spiking Neuron from a Unified State-Dynamics Perspective
• Title（参考訳）: 統一状態ダイナミクスから見た時変スパイクニューロン
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、時間的処理を強化するために、よりリッチな神経力学を取り入れている。 我々は,多様なスパイキングニューロンを共通の定式化によって特徴付ける統一状態力学フレームワークを導入する。 本稿では,現在の入力に応じて,入力積分,状態の進化,状態の読み出し時間変化のルールを作成するために,TV-MCN(Time-Variant Multi-Compartment Neuron)を提案する。
• 参考スコア（独自算出の注目度）: 21.493557888432306
• License:
• Abstract: Spiking neural networks (SNNs) have increasingly incorporated rich neuronal dynamics to enhance temporal processing. However, richer dynamics do not necessarily enable neurons to adapt how information is processed over time. To examine this issue systematically, we introduce a unified state-dynamics framework that characterizes diverse spiking neurons through a common formulation and enables direct comparison of their dynamical designs. The framework reveals a common limitation of existing neurons: although they enhance temporal processing through richer internal states and state evolution, the dynamical rules determining how inputs are integrated, how states evolve, and how they are read out generally remain unchanged throughout temporal processing. Such time-invariant rules limit the ability of neurons to adjust information processing as information relevance changes over time. Inspired by time-varying regulation in biological neurons, we propose the Time-Variant Multi-Compartment Neuron (TV-MCN). TV-MCN builds on multiscale compartment dynamics and makes the rules for input integration, state evolution, and state readout time-varying according to the current input. Specifically, an input-dependent internal time regulates the rate of state evolution, while the current input dynamically modulates input integration and state readout. Extensive experiments show that TV-MCN achieves strong overall performance, with particularly large gains on tasks requiring selective retention and retrieval of information, while ablation studies further support the effectiveness of its time-varying mechanisms.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、時間的処理を強化するために、よりリッチな神経力学を取り入れている。 しかし、よりリッチなダイナミクスは、ニューロンが時間とともに情報がどのように処理されるかに適応できるとは限らない。 この問題を体系的に検討するために,多様なスパイキングニューロンを共通の定式化により特徴付ける統一状態力学フレームワークを導入し,それらの動的設計を直接比較する。 この枠組みは、より豊かな内部状態と状態進化を通じて時間的処理を強化するが、入力がどのように統合され、どのように状態が進化し、どのように読み出されるかを決定する動的規則は、一般に時間的処理を通して変化しない。 このような時間不変規則は、情報関連性が時間とともに変化するにつれて、ニューロンが情報処理を調整する能力を制限する。 生体ニューロンの時間変化制御に着想を得て,TV-MCN(Time-Variant Multi-Compartment Neuron)を提案する。 TV-MCNは、マルチスケールのコンパートメントダイナミクスに基づいており、現在の入力に応じて入力統合、状態進化、状態読み取りの時間変化のルールを作成する。 具体的には、入力依存の内部時間は状態進化の速度を調節し、現在の入力は入力統合と状態読み取りを動的に変調する。 広範囲にわたる実験の結果、TV-MCNは、特に情報の保持と検索を必要とするタスクにおいて、高い総合的なパフォーマンスを達成し、アブレーション研究は、その時間変化メカニズムの有効性をさらに支援している。

関連論文リスト

• Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
  トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。 TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。 我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
  論文  参考訳（メタデータ） (2026-06-19T10:18:24Z)
• ChronoPlastic Spiking Neural Networks [0.0]
  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生物学的基盤とエネルギー効率のよい代替手段を提供する。 CPSNNは時間的制御を直接局所シナプス力学に組み込む。 CPSNNは、標準のSNNベースラインよりもはるかに高速で信頼性の高い長期的依存関係を学習する。
  論文  参考訳（メタデータ） (2025-12-17T06:58:04Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Backpropagation through space, time, and the brain [2.10686639478348]
  我々は、ニューロンの物理的、動的ネットワークにおける完全局所的時間的クレジット割り当てのための計算フレームワークであるGeneral Latent Equilibriumを紹介する。 特に、GLEは樹状樹の形態を利用して、単一ニューロンのより複雑な情報保存と処理を可能にしている。
  論文  参考訳（メタデータ） (2024-03-25T16:57:02Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)
• Neuromorphic Algorithm-hardware Codesign for Temporal Pattern Learning [11.781094547718595]
  複雑な空間時間パターンを学習するためにSNNを訓練できるLeaky IntegrateとFireニューロンの効率的なトレーニングアルゴリズムを導出する。 我々は,ニューロンとシナプスのメムリスタに基づくネットワークのためのCMOS回路実装を開発した。
  論文  参考訳（メタデータ） (2021-04-21T18:23:31Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)

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。