研究人员推出了一种新颖的脉冲神经网络（SNN）方法 SpikF-GO，用于多元时间序列预测。与以往独立处理变量的 SNN 方法不同，SpikF-GO 将每个观测值视为图节点，并结合了脉冲驱动的光谱处理，从而对变量间的依赖关系进行建模。该方法包括一个可学习的频率门控和应用于傅里叶分量的脉冲神经元，旨在提高能效和精度。在八个基准测试上的评估表明，SpikF-GO 的表现优于其人工神经网络对应方法 FourierGNN，并在 SNN 方法中取得了更好的平均排名。 AI
影响 引入了一种使用脉冲神经网络进行多元时间序列预测的新方法，可能提供节能的替代方案。
排序理由 该集群描述了一篇详细介绍用于时间序列预测的新模型（SpikF-GO）的研究论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.13901v1 Announce Type: new Abstract: Spiking Neural Networks (SNNs) have emerged as an energy-efficient alternative to conventional neural networks, demonstrating strong performance in computer vision and robotics. More recently, SNNs have been applied to time series f…
Spiking Neural Networks (SNNs) have emerged as an energy-efficient alternative to conventional neural networks, demonstrating strong performance in computer vision and robotics. More recently, SNNs have been applied to time series forecasting (TSF), with methods exploring spiking…