基于辛普森神经网络的泛化界通过皮尔达赫复杂度分析
神经与进化计算
2026-05-06 v1 人工智能
摘要
脉冲神经网络（SNN）因其在神经器件计算和稀疏计算方面的巨大潜力，成为一种受生物启发的模型，受到日益关注的注意。然而，众多实际算法和技术已被开发出来，但关于其泛化的理论理解——即其在未见数据上的表现程度——仍然远远未及清晰。最近的进展揭示了一种与兴奋概率和体系结构深度相关的泛化界，使得具有随机放电的SNN的皮尔达赫复杂度可被上界为相对于兴奋概率和体系结构深度的指数函数。在本文中，我们通过皮尔达赫复杂度理论地探讨了几种积分-放电方案下SNN的泛化界。我们认识到，SNN的经验皮尔达赫复杂度接近于SNN的配置，这些配置是网络深度和接收脉冲序列最大时间持续时间的指数函数，网络宽度的超线性和亚二次函数，参数范数的多项式函数，对训练样本数的逆线性函数，以及与脉冲神经元内部计算无关，从而实现了比传统研究更精确的速率。我们的理论结果可能支持SNN理论的范围，并为SNN的发展提供了一些见解。
引用
@article{arxiv.2605.02927,
title = {Generalization Bounds of Spiking Neural Networks via Rademacher Complexity},
author = {Shao-Qun Zhang and Zhi-Hua Zhou},
journal= {arXiv preprint arXiv:2605.02927},
year = {2026}
}