面向跨域适应的度感知脉冲图
机器学习
2025-09-29 v5 人工智能
摘要
脉冲图网络（SGN）通过模拟大脑启发的神经动力学，实现能源效率计算，在图分类方面展现出巨大的潜力。然而，现有 SGN 通常局限于分布内场景，在面对分布迁移时表现不佳。本文首先提出 SGN 中的域适应问题，引入一种新型框架，称为 Degree-Consicious Spiking Graph for Cross-Domain Adaptation（DeSGraDA）。DeSGraDA 通过三个关键组件来提升跨域的泛化能力。首先，我们引入度感知脉冲表示模块，通过基于节点度数调整尖脉冲阈值，实现更具表达力和结构感知的信号编码。随后，我们通过对抗性匹配膜电位在不同域之间进行时间分布对齐，确保在域迁移下保持有效性能的同时保持能源效率。此外，我们提取两个空间中的一致预测，以创建可靠的伪标签，有效利用无标签数据以提升图分类性能。我们还为 SGDA 建立了第一个泛化界限，提供了其适应性能的理论见解。大量基准实验表明，DeSGraDA 在分类准确率和能源效率方面均 consistently 优于最新方法。
引用
@article{arxiv.2410.06883,
title = {Degree-Conscious Spiking Graph for Cross-Domain Adaptation},
author = {Yingxu Wang and Mengzhu Wang and Houcheng Su and Nan Yin and Quanming Yao and James Kwok},
journal= {arXiv preprint arXiv:2410.06883},
year = {2025}
}