一种受大脑启发的门控机制解锁脉冲神经网络中的鲁棒计算
神经与进化计算
2025-09-04 v1
摘要
虽然脉冲神经网络(SNN)提供了一种受生物启发且节能的计算框架，但它们的鲁棒性以及生物神经元固有的动态优势仍然因过度简化的神经元模型而受到严重限制。特别是，传统的泄漏积分-放电(LIF)神经元往往省略了生物神经元中固有的动态电导机制，从而限制了它们应对噪声和时间变异性的能力。在本工作中，我们从功能角度重新审视动态电导，并揭示其作为生物合理门控机制的内在作用，用于调节信息流。基于这一洞察，我们引入了动态门控神经元(DGN)，这是一种新型脉冲单元，其膜电导随神经元活动而演化，实现选择性输入滤波和自适应噪声抑制。我们提供了理论分析，表明DGN相比标准LIF模型具有增强的随机稳定性，动态电导有趣地充当扰动拒绝机制。基于DGN的SNN在抗噪声任务和时间相关基准测试（如TIDIGITS和SHD）上展现出优越性能，始终表现出优异的鲁棒性。我们的结果首次揭示了生物合理的动态门控是鲁棒脉冲计算的关键机制，不仅提供了理论保证，还提供了强有力的经验验证。这项工作为更具韧性、更高效且更具生物启发性的脉冲神经网络铺平了道路。
引用
@article{arxiv.2509.03281,
title = {A Brain-Inspired Gating Mechanism Unlocks Robust Computation in Spiking Neural Networks},
author = {Qianyi Bai and Haiteng Wang and Qiang Yu},
journal= {arXiv preprint arXiv:2509.03281},
year = {2025}
}