面向异构时间分辨率下脉冲神经网络的联邦学习
机器学习
2026-05-18 v1
摘要
脉冲神经网络（SNN）是受生物启发的能效高效模型，采用稀疏二进制脉冲式神经元间通信，因而适用于资源受限的边缘设备。联邦学习使此类设备能在不共享原始数据的情况下协同训练。在时间序列应用中，边缘设备因硬件和能源限制常以不同时间分辨率收集数据。这种时间异构性为联邦学习提出根本性挑战：一种时间分辨率下学习到的参数未必能直接迁移到另一种分辨率，导致简单联邦平均失效。针对SNN及更广义的带状态神经网络，我们提出一种联邦学习框架以解决时间分辨率不匹配问题。我们研究如何整合来自不同时间分辨率学习的神经元参数与模型聚合。我们在两种SNN本土基准数据集（SHD和DVS-Gesture）下，针对多种分辨率异构场景进行评估。结果表明，所提方法能显著恢复因时间不匹配导致的精度损失，从而使每个客户能在本地时间分辨率下训练，同时与全局模型兼容。
引用
@article{arxiv.2605.15355,
title = {Federated Learning of Spiking Neural Networks under Heterogeneous Temporal Resolutions},
author = {Sanja Karilanova and Subhrakanti Dey and Ayça Özçelikkale},
journal= {arXiv preprint arXiv:2605.15355},
year = {2026}
}