論文の概要: Model- and Layer-Level Closed-Loop Forecasting with SSM-Based Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2610.28495v1
• Date: Tue, 20 Oct 2026 16:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.92377
• Title: Model- and Layer-Level Closed-Loop Forecasting with SSM-Based Spiking Neural Networks
• Title（参考訳）: SSMに基づくスパイクニューラルネットワークによるモデルレベルおよび層レベル閉ループ予測
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされた深部SSMのクラスである。 SNNによるデータ処理の標準的な自己回帰特性は、予測フェーズで利用できない値を必要とする。 ネットワークが生成した値を過去の値のようにネットワークにフィードバックする2つのクローズドループ予測戦略について検討する。
• 参考スコア（独自算出の注目度）: 0.005771104869225669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep State-Space Models (Deep SSMs) have shown promising performance and computational benefits in processing of time-series data with complex temporal dependencies. Spiking neural networks (SNNs) constitute a biologically inspired class of deep SSMs, where computing blocks communicate through spikes, discrete single-bit events rather than continuous activation functions. A particularly important task in time-series processing is forecasting, i.e. predicting future values of a sequence from past observations alone. However, how to best perform forecasting with SNNs is an open question, where the standard autoregressive nature of the data processing with SNNs requires values that are not available during the forecasting phase. In this article, we address this challenge. We explore two closed-loop forecasting strategies, in which the network's own generated values are fed back into the network as if they were observed past values: (i) model-level and (ii) layer-level closed-loop forecasting. We evaluate these approaches on the ETT-small datasets, a standard benchmark for time-series forecasting, under both spike-based and continuous activation functions. We compare the proposed closed-loop approaches against state-of-the-art methods such as SpaceTime, as well as the zero-masking baseline in S4. Both of the proposed approaches perform comparably to or better than zero-masking with S4, and in most cases match SpaceTime. These findings highlight the trade-off between continuous and low-bit quantized activations, and demonstrate that the proposed Deep SSM architectures provide a competitive framework for forecasting.
• Abstract（参考訳）: Deep State-Space Models (Deep SSMs)は、複雑な時間的依存を伴う時系列データの処理において、有望なパフォーマンスと計算上の利点を示している。 スパイキングニューラルネットワーク(SNN)は生物学的にインスパイアされたディープSSMのクラスであり、コンピュータブロックは連続的なアクティベーション関数ではなく、スパイクを介して通信する。 時系列処理における特に重要なタスクは、過去の観測だけでシーケンスの将来の値を予測することである。 しかし、SNNによる予測の最良の実行方法はオープンな問題であり、SNNによるデータ処理の標準的な自己回帰特性は、予測フェーズで利用できない値を必要とする。 本稿では,この問題に対処する。 ネットワークが生成した値を過去の値のようにネットワークにフィードバックする2つのクローズドループ予測戦略について検討する。 (i)モデルレベル、及び (II)層レベルの閉ループ予測。 本研究では,時系列予測の標準ベンチマークであるETT小データセットに対して,スパイクベースおよび連続アクティベーション関数の両方でこれらのアプローチを評価する。 本研究では,SpaceTime などの最先端手法に対する閉ループ手法と,S4 のゼロマスキングベースラインを比較した。 提案手法のどちらも、S4のゼロマスキングと同等かそれ以上に動作し、ほとんどの場合、SpaceTimeと一致している。 これらの知見は、連続的および低ビットの量子化アクティベーション間のトレードオフを強調し、提案したDeep SSMアーキテクチャが予測のための競合フレームワークを提供することを示す。

関連論文リスト

• 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)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  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経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• Synergetic Learning of Heterogeneous Temporal Sequences for Multi-Horizon Probabilistic Forecasting [48.8617204809538]
  本稿では,新しい条件生成モデルである変分相乗型マルチホライゾンネットワーク(VSMHN)を提案する。 不均一なシーケンス間で複雑な相関関係を学習するために、深部プロセスモデルと変動的リカレントニューラルネットワークの進歩を組み合わせるために、調整されたエンコーダが考案された。 我々のモデルは変動予測を用いて効果的に訓練でき、モンテカルロシミュレーションを用いて予測を生成することができる。
  論文  参考訳（メタデータ） (2021-01-31T11:00:55Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)
• Spatiotemporal Adaptive Neural Network for Long-term Forecasting of Financial Time Series [0.2793095554369281]
  本稿では,ディープニューラルネットワーク(DNN)が時系列予測(TS)の同時予測に利用できるかどうかを検討する。 動的因子グラフ(DFG)を用いて多変量自己回帰モデルを構築する。 ACTMでは、TSモデルの自己回帰順序を時間とともに変化させ、より大きな確率分布をモデル化することができる。
  論文  参考訳（メタデータ） (2020-03-27T00:53:11Z)

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。