脉冲神经网络公平性基准测试：数据偏差、虚假特征与硬件影响
神经与进化计算
2026-05-28 v1 人工智能
机器学习
摘要
评估脉冲神经网络（SNN）的公平性需要能够反映现实世界复杂性的严格基准，然而现有的评估仍受限于肤浅的数据集多样性和理想化的硬件假设。本文首次为SNN引入了系统的公平性基准，解决了现实性的三个关键维度：（1）训练数据中的人口统计覆盖缺口，（2）虚假特征泄漏（例如，肤色作为类别标签的代理），以及（3）部署环境不匹配（例如，具有受限脉冲编码的边缘设备）。我们的框架整合了四个跨人口统计数据集（带有受控偏差注入）和三个神经形态硬件模拟器（Loihi 2, SpiNNaker），从而能够在资源约束下独立分析公平性与性能之间的权衡。对12个最先进SNN的标准化评估揭示了显著的差异：在存在偏差的数据上训练的模型，对代表性不足群体的假阳性率高出23%，而硬件限制（例如，降低的脉冲精度）在边缘部署中进一步将准确率差距放大了高达41%。至关重要的是，为基于云的SNN开发的偏差缓解策略在资源约束下通常会退化，这突显了需要共同优化公平性和硬件效率的协同设计原则。通过将算法公平性研究与神经形态工程联系起来，我们的基准为在医疗保健和自主系统等社会关键应用中实现可信赖的SNN奠定了基础。我们的代码可在以下网址获取：https://anonymous.4open.science/r/SNN-Benchmarks-8017。
引用
@article{arxiv.2605.27407,
title = {Benchmarking Fairness in Spiking Neural Networks: Data Bias, Spurious Features, and Hardware Effects},
author = {Hudi He and Fukun Wang and Zhe Wang and Xinyi Wang and Shuhan Ye and Jiarui Liu and Qing Qing and Ziqi Xu and Xikun Zhang and Renqiang Luo},
journal= {arXiv preprint arXiv:2605.27407},
year = {2026}
}