CogniSNN：基于随机图架构且具有增强深度可扩展性与路径可塑性的脉冲神经网络探索
神经与进化计算
2025-12-19 v2
摘要
当前，大多数脉冲神经网络（SNN）仍模仿传统人工神经网络（ANN）中的链式层次架构。这种方法与生物大脑中神经元之间的随机连接存在显著差异，限制了其对生物神经系统中神经通路演化机制进行建模的能力，尤其是在动态深度可扩展性和自适应路径可塑性方面。本文为具有随机图架构（RGA）的 SNN 开发了一种新的建模范式，称为认知感知 SNN（CogniSNN）。此外，我们通过引入一种改进的脉冲残差神经节点（ResNode）来对抗更深图通路中的网络退化，以及一种基于关键路径的算法，使 CogniSNN 能够利用数据特征和在旧任务中学习到的 RGA 在新任务上执行路径复用，从而对 CogniSNN 中的深度可扩展性和路径可塑性进行建模。实验表明，采用重新设计的 ResNode 的 CogniSNN 在神经形态数据集上的性能与当前最先进的 SNN 相当，甚至更优。基于关键路径的方法有效地实现了路径复用能力，同时在学习与旧任务相似或不同的新任务时保持了预期的性能。本研究展示了基于 RGA 的 SNN 的潜力，并为计算神经科学与深度智能体融合的建模开辟了一条新路径。代码可在 github.com/Yongsheng124/CogniSNN 获取。
引用
@article{arxiv.2505.05992,
title = {CogniSNN: An Exploration to Random Graph Architecture based Spiking Neural Networks with Enhanced Depth-Scalability and Path-Plasticity},
author = {Yongsheng Huang and Peibo Duan and Zhipeng Liu and Kai Sun and Changsheng Zhang and Bin Zhang and Mingkun Xu},
journal= {arXiv preprint arXiv:2505.05992},
year = {2025}
}