脉冲神经网络中的延迟：一种状态空间模型方法
机器学习
2026-03-27 v2
摘要
脉冲神经网络 (SNN) 是受生物学启发的、事件驱动的模型，适用于时序数据处理和能效的神经器件计算。在 SNN 中，更丰富的神经动力学允许捕获更复杂的时序依赖，延迟在其中发挥关键作用，通过允许过去的输入直接影响当前的脉冲行为。我们提出了一个将延迟纳入 SNN 的通用框架，通过额外的状态变量来实现。该 proposed mechanism 使每个神经元能够访问有限的时序输入历史。该框架对神经模型中立，因此可以无缝集成到标准的脉冲神经模型中，如 Leaky Integrate-and-Fire (LIF) 和 Adaptive LIF (adLIF)。我们分析了延迟 duration 和与之相关的可学习参数对性能的影响。我们研究由于延迟机制引入的额外状态变量对网络体系结构的权衡。在 Spiking Heidelberg Digits (SHD) 数据集上的实验表明，所提出的机制在性能上与现有的基于延迟的 SNN 相当，同时保持计算效率，特别是在较小的网络中取得了显著提升。
引用
@article{arxiv.2512.01906,
title = {Delays in Spiking Neural Networks: A State Space Model Approach},
author = {Sanja Karilanova and Subhrakanti Dey and Ayça Özçelikkale},
journal= {arXiv preprint arXiv:2512.01906},
year = {2026}
}