Benchmarking Deep Legendre-SNN for Time Series Classification - Analysis and Enhancements
Notice bibliographique
Résumé
Compute-and energy-efficient Time Series Classification (TSC) is the need of the hour - to cater the continually growing sources and applications of temporal data. State-of-the-Art (SoTA) temporal computational models, e.g., LSTMs/RNNs, HIVE-COTE, Transformers, etc., are high performing, but are also resource intensive, resulting in high energy consumption on CPUs/GPUs. On the contrary, Reservoir Computing (RC) based models are resource-efficient and perform well for simple TSC datasets; and when implemented with spiking neurons, spiking RC-based models offer the promise of high energy-efficiency on neuromorphic hardware. In this work, we analyse, enhance, and benchmark the newly introduced-spiking RC-based, "Legendre Spiking Neural Network" (Legendre-SNN or LSNN) model for TSC. We theoretically investigate the Legendre Delay Network (LDN) that acts as a reservoir in the LSNN model, and bring some useful insights into the design of the LDN-based models. In our analysis, we find that a higher order LDN is necessary for optimal performance with input signals composed of higher frequencies. We also extend the existing LSNN model to multivariate timeseries signals and propose the "DeepLSNN" model. We conduct experiments with DeepLSNN on 102 benchmark TSC-datasets (comprising both univariate and multivariate signals). Via such large scale experiments, we present the first benchmark-results for spiking-TSC. Considering DeepLSNN's best results, we find that it outperforms the non-spiking LSTM-FCN on more than 31% of the 102 datasets. We note that our benchmark-results can serve as a comparison criterion for other spiking-TSC experiments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».