脉冲神经元的通用自预测增强方法
神经与进化计算
2026-01-30 v1
摘要
脉冲神经网络 (SNN) 因事件驱动、稀疏计算而具有极高的能源效率，但其训练受到脉冲非可微性和性能、效率与生物学可行性之间的权衡挑战。关键在于，主流 SNN 忽略了预测编码，这是一种核心皮层机制，其中大脑预测输入并编码误差以实现高效感知。鼓舞于此，我们提出一种自预测增强脉冲神经元方法，通过其输入-输出历史生成内部预测电流，以调制膜电位。该设计提供双重优势：它创建连续的梯度路径，以缓解梯度消失并提升训练稳定性和准确性，同时与生物学原理相吻合，类似于远端树突调制和误差驱动的突触可塑性。实验表明，在 diverse 的 architectures、神经元类型、时间步数和 tasks 下均实现一致的性能提升，显示出广泛的适用性用于增强 SNN。
引用
@article{arxiv.2601.21823,
title = {General Self-Prediction Enhancement for Spiking Neurons},
author = {Zihan Huang and Zijie Xu and Yihan Huang and Shanshan Jia and Tong Bu and Yiting Dong and Wenxuan Liu and Jianhao Ding and Zhaofei Yu and Tiejun Huang},
journal= {arXiv preprint arXiv:2601.21823},
year = {2026}
}