論文の概要: Beyond Low-Pass Dynamics: Frequency-Selective Spiking Reservoirs with Resonant Neurons

• arxiv url: http://arxiv.org/abs/2610.37906v1
• Date: Tue, 27 Oct 2026 19:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.911903
• Title: Beyond Low-Pass Dynamics: Frequency-Selective Spiking Reservoirs with Resonant Neurons
• Title（参考訳）: 低パスダイナミクスを超えて:共鳴ニューロンを有する周波数選択型スパイク貯留層
• Abstract要約: スパイキング貯水池計算は、固定されたリカレント貯水池の訓練効率とイベント駆動推論のエネルギー効率を組み合わせる。 既存のスパイキング貯水池はほとんどがLeaky Integrate-and-Fire(LIF)ニューロンに依存しており、低パスダイナミクスは異なる時間周波数で符号化された情報を識別する能力を制限する。 HRF-Resは, LIFニューロンを高調波共鳴(HRF)ニューロンの不均一な集団に置き換える液体状態機械である。
• 参考スコア（独自算出の注目度）: 11.505670285687563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spiking reservoir computing combines the training efficiency of fixed recurrent reservoirs with the energy efficiency of event-driven inference, where computation is triggered by sparse spikes rather than executed densely at every timestep. However, existing spiking reservoirs almost exclusively rely on Leaky Integrate-and-Fire (LIF) neurons, whose low-pass dynamics limit their ability to distinguish information encoded at different temporal frequencies. We introduce HRF-Res, a liquid state machine in which LIF neurons are replaced by a heterogeneous population of Harmonic Resonate-and-Fire (HRF) neurons. These neurons exhibit intrinsic oscillatory dynamics and selectively respond to input frequencies, enabling the reservoir to capture frequency-specific temporal patterns. The result is more discriminative representations and higher classification accuracy than LIF-based reservoirs, achieved without sacrificing the energy efficiency of spiking computation, with up to 19x lower energy consumption than an equivalent non-spiking oscillatory reservoir. Evaluated on ten benchmarks spanning time series, sequential images, audio spike trains, and neuromorphic vision, HRF-Res achieves state-of-the-art accuracy among spiking reservoir methods. These results demonstrate that introducing frequency-selective dynamics into spiking reservoirs improves representational quality and classification performance while preserving their inherent energy efficiency.
• Abstract（参考訳）: スパイキング貯水池コンピューティングは、固定されたリカレント貯水池のトレーニング効率とイベント駆動推論のエネルギー効率を結合し、計算は各時点において密に実行されるのではなく、スパーススパイクによって引き起こされる。 しかし、既存のスパイキング貯水池はほとんどがLeaky Integrate-and-Fire(LIF)ニューロンに依存しており、低パスダイナミクスは異なる時間周波数で符号化された情報を識別する能力を制限する。 HRF-Resは, LIFニューロンを高調波共鳴(HRF)ニューロンの不均一な集団に置き換える液体状態機械である。 これらのニューロンは固有の振動ダイナミクスを示し、入力周波数に選択的に反応し、貯水池は周波数固有の時間パターンを捉えることができる。 その結果, 呼気計算のエネルギー効率を犠牲にすることなく, 同一の非吸気振動型貯水池よりも19倍のエネルギー消費量で, LIF型貯水池よりも識別性が高く, 分類精度も高いことがわかった。 HRF-Resは、時系列、シーケンシャル画像、音声スパイクト、ニューロモルフィックビジョンにまたがる10のベンチマークに基づいて、スパイキング貯水池法で最先端の精度を達成している。 これらの結果から, スパイキング貯留層に周波数選択力学を導入することにより, 固有エネルギー効率を保ちつつ, 表現品質と分類性能が向上することが示唆された。

関連論文リスト

• Neural Dynamics Self-Attention for Spiking Transformers [59.57278823240336]
  TransformerアーキテクチャによるSNN(Spike Neural Networks)は、エネルギー効率とパフォーマンスのバランスをとるための、有望な経路を提供する。 既存のスパイキングトランスフォーマーは、(i)ニューラルネットワーク(ANN)と(ii)推論時の高メモリオーバーヘッドと比較して、大幅なパフォーマンスギャップがあるという2つの重要な課題に直面している。 本稿では、局所受容野を持つスパイキングニューロンを用いて、メモリ要求を減らしながら注意を計算するLRF-Dynを提案する。
  論文  参考訳（メタデータ） (2026-03-09T12:23:37Z)
• Dendritic Resonate-and-Fire Neuron for Effective and Efficient Long Sequence Modeling [66.0841376808143]
  樹状共振器(RF)ニューロンは入力信号から効率的に周波数を抽出し、スパイク列車に符号化することができる。 RFニューロンは、複雑なタスクにおけるエネルギー効率とトレーニング速度のトレードオフとして、有効なメモリ容量が限られている。 本稿では,複数の共振器とソマアーキテクチャを明示的に組み込んだDdendritic Resonate-and-Fireモデルを提案する。
  論文  参考訳（メタデータ） (2025-09-21T18:15:45Z)
• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• 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)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Understanding the Convergence in Balanced Resonate-and-Fire Neurons [1.4186974630564675]
  Resonate-and-Fire(RF)ニューロンは、スパイキングニューラルネットワーク(SNN)におけるインテグレーターニューロンの興味深い補体モデルである 最近提案されたリゾネート・アンド・ファイア(BRF)ニューロンは、タスク性能、スパイク、パラメータ効率において重要な方法論的進歩を示した。 本稿は、これらの収束優位性の出現の経緯と理由について、さらなる直感を提供することを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T10:04:55Z)
• Deep inference of latent dynamics with spatio-temporal super-resolution using selective backpropagation through time [15.648009434801885]
  現代の神経インタフェースは、脳回路内の100万のニューロンの活動をアクセスすることができる。 帯域幅制限はしばしば、より大きな空間サンプリング(より多くのチャンネルやピクセル)と時間サンプリングの頻度の間のトレードオフを生み出す。 ここでは、ニューロン間の関係を利用して、ニューロン時系列における超解像を得ることが可能であることを実証する。
  論文  参考訳（メタデータ） (2021-10-29T20:18:29Z)

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。