深层脉冲神经网络的离散化二次积分发放神经元模型
机器学习
2025-10-08 v1
摘要
脉冲神经网络(SNN)已成为传统人工神经网络的高效替代方案，利用异步且类生物学的神经元动力学。尽管存在多种神经元模型，其中Leaky Integrate-and-Fire(LIF)神经元因其简单性和计算效率而在深层SNN中广泛采用。然而，这种效率以牺牲表达力为代价，因LIF动力学受制于每个时间步的线性衰减。相比之下，更复杂的二次积分发放神经元(QIF)神经元具有更丰富的非线性动力学，但因训练不稳定而见效有限。针对这一问题，我们提出了首个为高性能深层脉冲神经网络量身定制的QIF神经元离散化模型，并对其动力学进行深入分析。为确保训练稳定性，我们从离散化模型的参数集中派生出解析公式，用于直接生成代理梯度窗口，从而最小化梯度不匹配。我们在CIFAR-10、CIFAR-100、ImageNet和CIFAR-10 DVS上进行评估，结果表明该方法能够超越领先的LIF-based方法。这些结果确立了我们对QIF神经元的离散化模型作为深层SNN中LIF神经元的有力替代方案，实现了更丰富的动力学与实际可扩展性的结合。
引用
@article{arxiv.2510.05167,
title = {Machine learning for fraud detection in digital banking: a systematic literature review REVIEW},
author = {Md Zahin Hossain George and Md Khorshed Alam and Md Tarek Hasan},
journal= {arXiv preprint arXiv:2510.05167},
year = {2025}
}