脉冲神经网络通用表示属性
神经与进化计算
2025-12-19 v1 机器学习
机器学习
摘要
受生物学启发，脉冲神经网络（SNNs）通过离散脉冲在时间上处理信息，为经典计算范式和经典人工神经网络（ANNs）提供了能源效率更高的替代方案。在本工作中，我们通过将SNN视为脉冲序列到序列处理器，即将输入脉冲流转换为输出脉冲流的系统，来分析SNN的表征能力。我们建立了针对一类自然脉冲序列函数的通用表示属性。我们的研究结果完全是量化的、具构造性的，并且在所需权重和神经元数量方面近乎最优。分析结果表明，SNN特别适合表示具有少量输入、低时间复杂性或此类函数组合的函数。后者尤其引人关注，因为它表明深层SNN可以通过模块化设计高效捕获复合函数。作为本研究结果的应用，我们讨论了脉冲序列分类。总体而言，这些结果为理解基于脉冲的神经形态系统能力与局限性提供了严谨的基础。
引用
@article{arxiv.2512.16872,
title = {On the Universal Representation Property of Spiking Neural Networks},
author = {Shayan Hundrieser and Philipp Tuchel and Insung Kong and Johannes Schmidt-Hieber},
journal= {arXiv preprint arXiv:2512.16872},
year = {2025}
}
备注
54 pages, 8 figures