多塑性协同与自适应机制分配用于训练脉冲神经网络
神经与进化计算
2025-08-20 v1 人工智能
摘要
脉冲神经网络（Spiking Neural Networks, SNNs）是一种受大脑启发的模型，因低功耗和优异的时序处理潜力而备受推崇，但仍面临确定合适学习机制的挑战。尽管大脑中存在多种共存的学习策略，但当前的SNN训练方法通常仅依赖单一形式的突触可塑性，这限制了其适应性和表征能力。本文提出了一种受生物学启发的训练框架，融合多种协同可塑性机制以实现更有效的SNN训练。该方法使 diverse learning algorithms 能够协同调控信息的积累，同时允许每种机制保留其相对独立的更新动力学。我们在静态图像和动态神经形态数据集上评估了该方法，证明相较于传统学习机制模型，本方法在性能和鲁棒性方面显著提升。本工作为受多策略大脑启发式学习开发更强大的SNN提供了通用且可扩展的基础。
引用
@article{arxiv.2508.13673,
title = {Multi-Plasticity Synergy with Adaptive Mechanism Assignment for Training Spiking Neural Networks},
author = {Yuzhe Liu and Xin Deng and Qiang Yu},
journal= {arXiv preprint arXiv:2508.13673},
year = {2025}
}