基于神经形态硬件的联邦少样本学习：跨物理边缘节点的实证研究
神经与进化计算
2026-03-16 v1 分布式、并行与集群计算
机器学习
摘要
由于片上脉冲时序依赖塑性（STDP）产生的二进制权重更新，而标准算法所假设的浮点梯度，联邦学习在神经形态硬件上尚未受到探索。我们构建了一个两节点联邦系统，采用 BrainChip Akida AKD1000 处理器，并在七个分析阶段中运行约 1,580 次实验。测试的四种权重交换策略中，神经元级拼接（FedUnion）始终保持准确率，而元素级权重平均（FedAvg）则会破坏准确率（p = 0.002）。上游特征提取器的领域自适应微调负责大部分准确率提升，确认特征质量是主要影响因素。将特征维度从 64 扩展到 256 后，最佳策略下的联邦准确率达到 77.0%（n=30, p < 0.001）。两个独立的非对称性现象（更宽的特征有助于联邦学习，而非线性化则更损害联邦学习）指向一种共享原型互补机制：跨节点传输的规模与神经元原型的独特性性成正比。
引用
@article{arxiv.2603.13037,
title = {Federated Few-Shot Learning on Neuromorphic Hardware: An Empirical Study Across Physical Edge Nodes},
author = {Steven Motta and Gioele Nanni},
journal= {arXiv preprint arXiv:2603.13037},
year = {2026}
}
备注
13 pages, 2 figures, 10 tables. Code: https://github.com/Stemo688/federated-neuromorphic-learning