Newest papers

Model- and Layer-Level Closed-Loop Forecasting with SSM-Based Spiking Neural Networks

Erik Stolt, Sanja Karilanova, Ayca Ozcelikkale · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28495 · open-access PDF

German

Deep State-Space Models (Deep SSMs) haben vielversprechende Leistungs- und Berechnungsvorteile bei der Verarbeitung von Zeitreihen-Daten mit komplexen zeitlichen Abhängigkeiten gezeigt. Spiking-Neural-Netzwerke (SNNs) bilden eine biologisch inspirierte Klasse von Deep SSMs, bei denen Rechenblöcke über Spikes, diskrete Einzelbit-Ereignisse und nicht durch kontinuierliche Aktivierungsfunktionen kommunizieren. Eine besonders wichtige Aufgabe bei der Verarbeitung von Zeitreihen ist die Vorhersage, d.h. die Vorhersage zukünftiger Werte einer Sequenz allein aus vergangenen Beobachtungen.

Machine translation (Meta M2M100); the English original follows.

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 t

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange