卷积脉冲型 GRU 单元用于时空数据
度量几何
2025-12-01 v2 微分几何
表示论
摘要
脉冲信号的时序消息传递使 SNN 能够有效处理纯时序数据、时空时间序列或事件驱动数据。将 SNN 与门控循环单元（GRU）这种循环神经网络的变体结合，构成了处理序列数据的强大框架；然而，传统 RNN 在处理长序列时往往丢失局部细节。以往方法，如 SpikGRU，无法捕获基于事件的时空数据的细粒度局部依赖关系。本文提出卷积脉冲 GRU（CS-GRU）单元，利用卷积运算保留局部结构和依赖关系，同时将脉冲神经元的时序精度与 GRU 的高效门控机制相结合。该灵活的体系结构在时序数据集（NTIDIGITS、SHD）和时空基准（MNIST、DVSGesture、CIFAR10DVS）上表现优异。我们的实验表明，CS-GRU 在所有基于 GRU 的变体中平均提高了4.35%，在序列任务上实现超过90%的准确率，在 MNIST 上达到99.31%。值得注意的是，我们的解决方案相较 SpikGRU 实现效率提升69%。代码已公开：https://github.com/YesmineAbdennadher/CS-GRU。
引用
@article{arxiv.2510.25698,
title = {Localization of valuations and Alesker's irreducibility theorem},
author = {Georg C. Hofstätter and Jonas Knoerr},
journal= {arXiv preprint arXiv:2510.25698},
year = {2025}
}
备注
Added discussion for n=2 case, refined structure and corrected some typos. 66 pages. Comments and remarks welcome!