基于前向-前向梯度近似无训练框架的 FFGAF-SNN
计算机视觉与模式识别
2025-08-04 v2
摘要
脉冲神经网络 (SNN) 提供了一个具有生物学可行性的框架，用于实现高效的神经器件式计算。然而，这些网络由于非可微分性，训练仍然具有挑战性。现有的梯度近似方法常常牺牲精度，并且在由于反向传播的计算要求高，面临在边缘设备上部署的限制。为此，我们提出了一种基于前向-前向 (FF) 的梯度近似无训练框架，用于脉冲神经网络，该框架将脉冲激活视为黑盒模块，从而无需梯度近似即可显著降低计算复杂度。此外，我们引入了基于类别感知的复杂度适应机制，动态优化基于类别间难度度量的损失函数，实现网络资源在不同类别之间的高效分配。实验结果表明，我们提出的训练框架在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上分别实现了 99.58%、92.13% 和 75.64% 的测试准确率，超越了所有现有的基于 FF 的 SNN 方法。此外，我们提出的方法在内存访问和计算功耗方面具有显著优势。
引用
@article{arxiv.2507.23643,
title = {FFGAF-SNN: The Forward-Forward Based Gradient Approximation Free Training Framework for Spiking Neural Networks},
author = {Changqing Xu and Ziqiang Yang and Yi Liu and Xinfang Liao and Guiqi Mo and Hao Zeng and Yintang Yang},
journal= {arXiv preprint arXiv:2507.23643},
year = {2025}
}