脉冲神经网络内部噪声的一般性问题

本研究examines了additive和multiplicative噪声对单个leaky integrate-and-fire(LIF)神经元以及经过训练的脉冲神经网络(SNN)的影响。噪声在神经处理的不同阶段引入，包括输入电流、膜电位和输出脉冲生成。结果显示，对膜电位施加的multiplicative噪声对网络性能影响最大，导致准确率显著下降。这主要是由于其倾向于将膜电位压向较大的负值，从而有效地压制神经元活动。为此，评估了输入预滤波策略，其中基于sigmoid的滤波器performance最佳，通过将输入移至严格正范围。 在这些条件下，输入电流中的additive噪声成为主要的性能降解来源，而其他噪声配置即使在高噪声强度下也只降低准确率不超过1%。此外，本研究比较了常见噪声和不常见噪声在隐藏层神经元群体中的作用，结果表明SNN对常见噪声更具鲁棒性。总体而言，本研究确定了影响SNN最关键的噪声机制，并提供了提高其鲁棒性的实用方法。