基于脉冲神经网络神经通路自适应重组的连续学习
神经与进化计算
2026-05-06 v4 人工智能
摘要
人脑能够自组织丰富多样的稀疏神经通路，以增量式掌握数百项认知任务。然而，现有大多数面向深度人工神经网络与脉冲神经网络的连续学习算法，无法充分自动调节网络中有限资源，导致随着任务增加出现性能下降与能耗上升。本文提出一种受脑启发的神经通路自适应重组连续学习算法，其采用自组织调节网络将单一且有限的脉冲神经网络（SOR-SNN）重组为丰富稀疏神经通路，以高效应对增量任务。所提模型在从类童简单到复杂任务的多样连续学习任务以及泛化的CIFAR100与ImageNet数据集上，于性能、能耗与存储容量方面均展现出一致优越性。特别地，SOR-SNN模型擅长学习更复杂任务及更多任务，并能将已学知识与当前任务信息整合，表现出促进旧任务的向后迁移能力。同时，该模型对不可逆损伤具有自修复能力，且对于剪枝网络，可自动从保留网络中分配新通路以恢复被遗忘知识的记忆。
引用
@article{arxiv.2309.09550,
title = {Adaptive Reorganization of Neural Pathways for Continual Learning with Spiking Neural Networks},
author = {Bing Han and Feifei Zhao and Wenxuan Pan and Zhuoya Zhao and Xianqi Li and Qingqun Kong and Yi Zeng},
journal= {arXiv preprint arXiv:2309.09550},
year = {2026}
}