脉冲神经网络的准确性-效率权衡：基于 Lempel-Ziv 复杂度的学习规则观察
人工智能
2026-03-03 v2 机器学习
神经元与认知
摘要
训练脉冲神经网络 (SNN) 仍然具有挑战性，主要due于时间动态、尖峰事件的非可微性以及稀疏的事件驱动激活。本文研究了不同学习范式（无监督、监督和混合）对时序模式识别中分类性能和计算成本的影响。基于我们之前的研究 [Rudnicka 等，2026]，我们使用 Lempel-Ziv 复杂度 (LZC) 作为脉冲序列时序组织的紧凑、决策相关描述符，用于量化不同学习规则如何重塑类条件时序结构。该管道将 leaky integrate-and-fire (LIF) SNN 与 LZC 基于决策规则相结合。我们在具有受控时序统计特性的合成数据源（伯努利、两状态马尔可夫和泊松脉冲过程）以及 MNIST 和 N-MNIST 的二类子集上评估了学习规则。在数据集上，梯度-based 学习实现了最高的准确率，但计算成本高；而生物启发的规则（如 Tempotron 和 SpikeProp）在准确率与效率之间提供了有利的权衡。这些结果表明，选择学习规则应依据应用约束以及可分离性和计算开销之间的期望平衡。
引用
@article{arxiv.2506.06750,
title = {Accuracy-Efficiency Trade-Offs in Spiking Neural Networks: A Lempel-Ziv Complexity Perspective on Learning Rules},
author = {Zofia Rudnicka and Janusz Szczepanski and Agnieszka Pregowska},
journal= {arXiv preprint arXiv:2506.06750},
year = {2026}
}