論文の概要: PAFS: Perturbation-Aware Firing Scaffolds for Robust Event-Based SNNs

• arxiv url: http://arxiv.org/abs/2610.32409v1
• Date: Fri, 23 Oct 2026 09:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.44776
• Title: PAFS: Perturbation-Aware Firing Scaffolds for Robust Event-Based SNNs
• Title（参考訳）: PAFS:ロバストなイベントベースSNNのための摂動対応サッフル
• Abstract要約: Perturbation-Aware Firing Scaffolds (PAFS) はトレーニング後のキャリブレーション法である。 PAFSはアダプタアンカーのクラス確率残差と、標準化された遅延層リーク統合・火災軌跡を関連付けている。 PAFSは、アダプタアンカーの劣化平均値と最悪の条件精度を改善し、最大利得は3.06ポイントと3.65ポイントである。
• 参考スコア（独自算出の注目度）: 14.82130814619005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event-based spiking neural networks (SNNs) encode information through temporal firing dynamics, but the same stateful computation makes their predictions sensitive to event loss, timestamp jitter, and speed variation. These perturbations alter evidence accumulation, yet late-layer firing trajectories can retain error-diagnostic structure that is absent from the final logits alone. We introduce Perturbation-Aware Firing Scaffolds (PAFS), a labeled post-training calibration method that exploits this structure without updating the pretrained backbone. PAFS associates standardized late-layer leaky integrate-and-fire trajectories with the class-probability residuals of an Adapter anchor, then applies singular value decomposition to extract compact residual-aligned channel directions. At inference, firing trajectories from the same backbone pass are projected onto this fixed low-rank scaffold and combined with anchor statistics to predict a residual logit correction. Across four matched dataset-backbone settings spanning three event datasets and two spiking Transformer architectures, PAFS improves corrupted-average and worst-condition accuracy over the corresponding Adapter anchors, with maximum gains of 3.06 and 3.65 percentage points. In the DailyAction-DVS/Spikingformer setting, the added trainable parameters amount to approximately 0.34% of the frozen backbone.
• Abstract（参考訳）: イベントベースのスパイクニューラルネットワーク(SNN)は、時間的発火ダイナミクスを通じて情報を符号化するが、同じステートフルな計算により、予測はイベント損失、タイムスタンプジッタ、速度変化に敏感になる。 これらの摂動は証拠の蓄積を変化させるが、後期層の発射軌道は最終ロジットのみが欠落しているエラー診断構造を保持することができる。 トレーニング後キャリブレーション手法であるPerturbation-Aware Firing Scaffolds (PAFS) を導入する。 PAFSはアダプタアンカーのクラス確率残差と、標準化された遅延層リーク統合・火災軌跡を関連付け、特異値分解を適用して、コンパクトな残差整列チャネル方向を抽出する。 推定では、同じバックボーンパスからの発射軌跡を固定された低ランクの足場に投影し、アンカー統計と組み合わせ、残留ロジット補正を予測する。 3つのイベントデータセットと2つのスパイクするTransformerアーキテクチャにまたがる4つのマッチしたデータセットバックボーン設定の中で、PAFSは、対応するAdapterアンカーに対して平均値と最悪の条件精度を改善し、最大3.06ポイントと3.65ポイントのゲインを達成している。 DailyAction-DVS/Spikingformer設定では、トレーニング可能なパラメータが凍結されたバックボーンの約0.34%に相当する。

関連論文リスト

• SATOR: Backpropagation-Free 3D Test-Time Adaptation via Sample-Adaptive Token Routing [1.2234742322758418]
  テスト時間適応(TTA)は、分散シフト下でのラベルなしテストデータ上でのソース事前学習モデルの性能劣化を緩和する。 最近のバックプロパゲーションフリーなトークン抽出法は、信頼できないトークンをフィルタリングすることで、3Dポイントのクラウド分布シフトに対処する。 本稿では,ソースフリーかつバックプロパゲーションフリーな3D TTAフレームワークであるSATORを提案する。
  論文  参考訳（メタデータ） (2026-10-15T06:47:09Z)
• Variational Filtering for Bayesian Last Layers with an Independent Binary Probit Surrogate [41.81526577151929]
  深層分類器の最終層に対する変分フィルタリングアルゴリズムを提案する。 各ミニバッチは正確な予測ステップで同化され、その後クローズドフォームの変分更新が行われる。 DINOv3のバックボーンを同一のプロトコルで調整した2つのベースラインに対して評価した。
  論文  参考訳（メタデータ） (2026-10-12T11:00:05Z)
• Correction-space Cross-variate Interaction for Test-time Adaptation in Time Series Forecasting [24.65435301609135]
  テスト時間適応(TTA)は、時系列予測(TSF)における分布シフトを扱うための有望なパラダイムである 共有アンカー補正(SCR)による補正空間相互作用を実現するtextscCoRe(textscCorrection-space Interaction textscRefinement)を提案する。 7つのバックボーン、6つのデータセット、4つの予測水平線、textscCoReは、平均的なバックボーン上のMSEを25.82%削減し、最先端のTSF-TTAよりも10.57%削減する。
  論文  参考訳（メタデータ） (2026-09-28T08:51:52Z)
• CasEm: A Cascade Architecture for Long-Horizon Neural Emulation [17.277213562415017]
  Cascaded Emulation (CasEm)は、物理的に指定された集約の独立に進化したモデルで既存のフルステートバックボーンを拡張するワンウェイロールアウトアーキテクチャである。 我々はこれらの3つの要因を明らかにする有限水平誤差を導出し、経験的診断を用いてサブシステム選択を導出する。 地球温暖化のエミュレーションでは、局所的な全水サブシステムを持つCasEmは、凍結したACEと球状DYffusionのバックボーンに対して、それぞれ10年間のフルステートの時間平均誤差を66.6%、46.3%削減する。
  論文  参考訳（メタデータ） (2026-09-28T03:53:05Z)
• Point-Selection Fine-Tuning Framework for Robust Point Cloud Classification [13.13510696965873]
  PSFTは、パラメータ効率を保ちながら堅牢性を向上する点選択微調整フレームワークである。 また,PSFTは,テスト済みの3Dバックボーン全体にわたって,Model-CとModelNet40-Cの劣化誤差を一貫して低減することを示した。
  論文  参考訳（メタデータ） (2026-07-22T03:27:18Z)
• Learning to Solve Generative ODEs Beyond the Linear Span [50.13853710831612]
  空間残留演算子を用いてスカラー係数更新を増強する軽量ニューラルソルバであるSpanLiftを提案する。 SpanLiftは、ピクセル空間の拡散、潜水流のマッチング、降水は今、最先端の数ステップのサンプリングを実現している。
  論文  参考訳（メタデータ） (2026-06-07T15:22:13Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Stable Video Infinity: Infinite-Length Video Generation with Error Recycling [76.91310169118408]
  本研究では、高時間一貫性、可視的シーン遷移、制御可能なストリーミングストーリーラインを有する無限長ビデオを生成することができる安定ビデオインフィニティ(SVI)を提案する。 SVIにはError-Recycling Fine-Tuningが組み込まれており、これはDiffusion Transformerの自己生成エラーをスーパーバイザのプロンプトにリサイクルする、新しいタイプの効率的なトレーニングである。 我々は、一貫性、創造性、条件設定を含む3つのベンチマークでSVIを評価し、その汎用性と最先端の役割を徹底的に検証した。
  論文  参考訳（メタデータ） (2025-10-10T09:45:46Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。