通过变化感知树突-胞体-轴突神经元提升脉冲神经网络的低延迟学习性能
神经与进化计算
2025-12-19 v1
摘要
脉冲神经元是脉冲神经网络(SNNs)的基本信息处理单元，其全或无的信息输出形式使SNNs相比人工神经网络(ANNs)更具能效。然而，脉冲神经元中采用的硬重置机制因其对不同膜电位的统一处理而导致信息退化。此外，忽略复杂生物结构的过于简化的神经元模型的利用，阻碍了网络准确模拟实际电位传输过程的能力。为解决这些问题，我们提出了一种采用软重置策略的树突-胞体-轴突(DSA)神经元，并结合基于电位变化的感知机制，最终形成变化感知树突-胞体-轴突(CP-DSA)神经元。我们的模型包含多个可学习参数，扩展了神经元的表示空间。变化感知(CP)机制使我们的模型能够在利用相邻时间步的差异信息的同时，在短时间步中实现具有竞争力的性能。为CP-DSA模型的有效性及其内部参数的功能特征提供了严格的理论分析。此外，在各种数据集上进行的广泛实验证实了CP-DSA模型相对于最先进方法的显著优势。
引用
@article{arxiv.2512.16259,
title = {Improving Low-Latency Learning Performance in Spiking Neural Networks via a Change-Perceptive Dendrite-Soma-Axon Neuron},
author = {Zeyu Huang and Wei Meng and Quan Liu and Kun Chen and Li Ma},
journal= {arXiv preprint arXiv:2512.16259},
year = {2025}
}