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

Vietnamese

Các mô hình Deep State-Space (Deep SSMs) đã cho thấy hiệu suất và lợi ích tính toán đầy hứa hẹn trong việc xử lý dữ liệu chuỗi thời gian với sự phụ thuộc thời gian phức tạp. Mạng thần kinh Spiking (SNNs) tạo thành một lớp truyền cảm hứng sinh học của SSM sâu, nơi các khối tính toán giao tiếp thông qua đỉnh, các sự kiện đơn bit phân biệt thay vì các chức năng kích hoạt liên tục. Một nhiệm vụ đặc biệt quan trọng trong xử lý chuỗi thời gian là dự đoán, tức là dự đoán các giá trị tương lai của chuỗi từ các quan sát trong quá khứ một mình.

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