論文の概要: GC-LIF: Spiking Group-Equivariant Neural Network With Group-Coupled Membrane Dynamics

• arxiv url: http://arxiv.org/abs/2610.39601v1
• Date: Thu, 29 Oct 2026 08:39:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:15:25.709921
• Title: GC-LIF: Spiking Group-Equivariant Neural Network With Group-Coupled Membrane Dynamics
• Title（参考訳）: GC-LIF: グループ結合膜ダイナミクスを用いたスパイキンググループ同変ニューラルネットワーク
• Abstract要約: グループ同変のCNNはそのような対称性をアーキテクチャに組み込むが、忠実なスパイクアナログは欠落している。 これを起こさないために必要かつ十分な条件を与えます。 ローテーションなしで訓練されたSGE-Netは、$C_4$と$D_4$で不変であり、10組のデータセットグループペアのうち9組で訓練された普通のSNNよりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spiking neural networks (SNNs) promise event-driven, low-power inference, but on vision tasks they still acquire rotation invariance only through data augmentation. Group-equivariant CNNs build such symmetries into the architecture, yet a faithful spiking analogue is missing: a leaky integrate-and-fire (LIF) neuron placed after a $G$-equivariant convolution can break equivariance through its membrane recurrence. We give a necessary and sufficient condition for this not to happen. The layer is equivariant at every time step if and only if the neuron parameters $(β, v_{\mathrm{th}})$ are constant along the joint orbits of the group action on the (group, space) index. We solve it in closed form, and it covers any elementwise stateful neuron. Its sufficiency half specialises a known result for equivariant recurrent networks; its necessity half rules out the heterogeneous per-neuron parameters common in SNNs. The per-channel parameterisation that satisfies it, Group-Coupled LIF (GC-LIF), is combined with $p4$ and $p4m$-equivariant convolutions and a spike-rate group max-pool into SGE-Net. On MNIST, KMNIST, Fashion-MNIST, CIFAR-10 and CIFAR-100, evaluating each checkpoint on the clean test set and all its group-transformed copies, SGE-Net trained without rotations is invariant under $C_4$ and $D_4$ and outperforms a plain SNN trained with rotations in nine of ten dataset-group pairs, whereas non-equivariant baselines lose up to $72$ percentage points in the worst case. Operator-level tests confirm the theory before and after training, and an analytical estimate places SGE-Net at $1.7\times$ the arithmetic energy of a standard CNN and $2.3\times$ below its ANN counterpart at eight time steps.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、イベント駆動の低消費電力推論を約束するが、ビジョンタスクでは、データ拡張を通じてのみ回転不変性を取得する。 グループ同変CNNはそのような対称性をアーキテクチャに組み込むが、忠実なスパイク類似体は欠落している。 これを起こさないために必要かつ十分な条件を与えます。 この層が任意の時間ステップで同変であることと、ニューロンパラメータ $(β, v_{\mathrm{th}})$ が(群、空間)指数上の群作用の共役軌道に沿って定数であることは同値である。 我々はそれを閉じた形で解き、あらゆる要素的にステートフルなニューロンを包含する。 ハーフは同変リカレントネットワークの既知の結果を専門とし、必要ハーフはSNNに共通する異種ニューロン単位のパラメータを規定する。 チャネルごとのパラメータ化であるGroup-Coupled LIF (GC-LIF)は、$p4$と$p4m$-equivariantの畳み込みとスパイクレートグループの最大プールをSGE-Netに結合する。 MNIST、KMNIST、Fashion-MNIST、CIFAR-10、CIFAR-100では、クリーンなテストセットとグループ変換されたコピーのそれぞれのチェックポイントを評価し、ローテーションなしでトレーニングされたSGE-Netは、$C_4$と$D_4$で不変であり、10つのデータセットグループペアのうち9つのローテーションでトレーニングされたプレーンSNNより優れている。 オペレータレベルのテストでは、トレーニングの前後で理論を確認し、SGE-Netを標準CNNの算術エネルギー$1.7\times、ANNの算術エネルギー$2.3\timesを8ステップで下方修正する。

関連論文リスト

• SILAGE: Memory-Efficient, Full-Gradient-Free Nonconvex Optimization for Nested Finite Sums [51.49970814177172]
  データセットに対する経験的リスクは、自然に$N=nm$全サンプルに類似性を示す。 我々は悲観的な収束分析を避ける分析を提供する。 我々の成果は、既存の最先端の体制を改善した。
  論文  参考訳（メタデータ） (2026-06-14T14:11:07Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• Emergence and scaling laws in SGD learning of shallow neural networks [64.48316762675141]
  等方性ガウスデータに基づいてP$ニューロンを持つ2層ニューラルネットワークを学習するためのオンライン勾配降下(SGD)の複雑さについて検討した。 平均二乗誤差(MSE)を最小化するために,学生2層ネットワークのトレーニングのためのSGDダイナミックスを高精度に解析する。
  論文  参考訳（メタデータ） (2025-04-28T16:58:55Z)
• E(2) Equivariant Neural Networks for Robust Galaxy Morphology Classification [0.0]
  我々は、Galaxy10 DECalsデータセット上で$E(2)$の離散サブグループに同値なGCNNを訓練し、検証し、テストする。 D_16$に同値なアーキテクチャは、テストセットの精度が9,5.52 pm 0.18%である。 全てのGCNNは、同一に構築されたCNNよりも1ピクセルの摂動の影響を受けにくい。
  論文  参考訳（メタデータ） (2023-11-02T18:00:02Z)
• Implicit Convolutional Kernels for Steerable CNNs [5.141137421503899]
  ステアブル畳み込みニューラルネットワーク(CNN)は、原点保存グループ$G$の翻訳と変換に等しいニューラルネットワークを構築するための一般的なフレームワークを提供する。 本稿では,多層パーセプトロン(MLP)による暗黙的ニューラル表現を用いて,$G$-steerableカーネルのパラメータ化を提案する。 我々は,N体シミュレーション,点雲分類,分子特性予測など,複数のタスクにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-12T18:10:33Z)
• Bounding the Width of Neural Networks via Coupled Initialization -- A Worst Case Analysis [121.9821494461427]
  2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。 また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
  論文  参考訳（メタデータ） (2022-06-26T06:51:31Z)
• A General Framework For Proving The Equivariant Strong Lottery Ticket Hypothesis [15.376680573592997]
  現代のニューラルネットワークは、単なる翻訳対称性以上のものを組み込むことができる。 我々は、Strong Lottery Ticket hypothesis (SLTH) を群$G$の作用を保存する関数に一般化する。 オーバーパラメータ化$textE(2)$-steerable CNNとメッセージパッシングGNNによって、我々の理論を証明します。
  論文  参考訳（メタデータ） (2022-06-09T04:40:18Z)
• Universality of group convolutional neural networks based on ridgelet analysis on groups [10.05944106581306]
  グループ畳み込みニューラルネットワーク(GCNN)のリッジレット理論に基づく近似特性について検討する。 群表現間の非線形写像として多目的GCNNを定式化する。
  論文  参考訳（メタデータ） (2022-05-30T02:52:22Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)

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。