通过脉冲触发阈值动力学将绝对期纳入脉冲神经网络
计算机视觉与模式识别
2025-09-23 v1
摘要
作为第三代神经网络，脉冲神经网络 (SNNs) 因其生物学合理性、能源效率以及在处理神经器数据集方面的有效性，近年来受到广泛关注。为更贴近生物神经元，各种模型如积分发放 (IF) 和漏积分发放 (LIF) 已被广泛应用于 SNNs。然而，这些神经元模型忽略了绝对期这一生物学神经元的基本特征。研究表明，神经元在放电后会进入绝对期，此时对后续刺激暂时不敏感。这一机制对于防止过度兴奋和减轻异常信号的干扰至关重要。因此，我们提出一种简单而有效的方法，通过脉冲触发阈值动力学将绝对期纳入脉冲 LIF 神经元，称为 RPLIF。该方法确保每个脉冲准确编码神经信息，在持续输入下有效防止神经元过度兴奋，并抵御异常输入的干扰。将绝对期纳入 LIF 神经元过程顺畅且计算高效，提升鲁棒性和效率，同时以可忽略的开销获得更好性能。据我们所知，RPLIF 在 Cifar10-DVS (82.40%) 和 N-Caltech101 (83.35%) 上实现最佳性能，所需时间步数更少，在 DVS128 Gesture (97.22%) 上表现优异，延迟低。
引用
@article{arxiv.2509.17769,
title = {Incorporating the Refractory Period into Spiking Neural Networks through Spike-Triggered Threshold Dynamics},
author = {Yang Li and Xinyi Zeng and Zhe Xue and Pinxian Zeng and Zikai Zhang and Yan Wang},
journal= {arXiv preprint arXiv:2509.17769},
year = {2025}
}